Бесплатный фрагмент - Искусственный интеллект. С неба на землю

Предисловие

Введение

2023 год стал началом третьего и пока самого жаркого «лета» искусственного интеллекта. Тогда вопросы звучали остро: что делать разработчикам и бизнесу? Стоит ли сокращать людей и полностью доверяться новой технологии — или это всё наносное, и вслед за летом придёт новая ИИ-зима? Как ИИ сочетается с классическими инструментами и практиками менеджмента — управлением проектами, продуктами, бизнес-процессами? Неужели ИИ ломает все правила игры?

К моменту этой, третьей, редакции — в 2026 году — на часть вопросов рынок успел ответить сам. Я обновил книгу с учётом этих ответов: новых данных, исследований, трендов и примеров. Но суть осталась прежней — мы погружаемся в эти вопросы, и в процессе размышлений и анализа различных факторов я постараюсь найти на них ответы.

Скажу сразу: здесь будет минимум технической информации, и даже более того — возможны технические неточности. Но эта книга и не про то, какой тип нейросетей выбрать для той или иной задачи. Я предлагаю вам взгляд аналитика, управленца и предпринимателя на то, что происходит здесь и сейчас, чего ожидать глобально в ближайшем будущем и к чему готовиться.

Кому и чем полезна эта книга?

— Собственникам и топ-менеджерам компаний. Они поймут, что такое ИИ, как он работает, куда идут тренды и чего ожидать, — а значит, избегут главной ошибки в цифровизации — искажённых ожиданий. Это позволит им лидировать в этих направлениях, минимизируя затраты, риски и сроки.

— ИТ-предпринимателям и основателям стартапов. Они увидят, куда движется отрасль, какие ИТ-продукты и интеграции стоит разрабатывать и с чем придётся столкнуться на практике.

— Техническим специалистам из ИТ. Они посмотрят на развитие не только с технической, но и с экономической и управленческой точки зрения. Поймут, почему до 95% внедрений ИИ не дают измеримого финансового эффекта (MIT, 2025), — возможно, это поможет им в карьерном развитии.

— Обычным людям. Они поймут, что их ждёт в будущем и стоит ли бояться, что ИИ их заменит. Спойлер: под угрозой прежде всего оказались специалисты творческих профессий.

Наше путешествие пройдёт через три большие части. Сначала разберём, что такое ИИ: с чего всё начиналось, какие у него проблемы и возможности, куда идут тренды и что нас ждёт впереди. Это теория и долгосрочные перспективы. Затем рассмотрим синергию ИИ с инструментами системного подхода: как они влияют друг на друга и в каких сценариях ИИ уже применяется в ИТ-решениях. В конце сосредоточимся на практике — примерах и рекомендациях.

По моей любимой традиции в книге будут QR-коды (для печатной версии) и активные гиперссылки (для электронной) на полезные статьи и интересные материалы.

Что касается самого ИИ, то в написании книги он применялся для демонстрации его работы — такие фрагменты выделены отдельно, — а также для поиска идей. Уровень технологии пока недостаточен, чтобы использовать сгенерированное ИИ как готовый материал. Отмечу и то, что мой основной язык — русский, поэтому все запросы к ИИ я делаю на русском.

Из практики

Многие выводы, примеры и подходы в этой книге выросли из моей собственной практики — в том числе из создания продукта «Сокол». По ходу глав я ссылаюсь на него как на живой кейс встраивания ИИ в реальные управленческие задачи.

Завершить предисловие я хочу благодарностями людям, которые помогали мне:

— Алисе и сыну Валерию;

— моим родителям;

— моему коучу Евгению Бажову;

— моей команде, в особенности Александру Перемышлину;

— моим партнёрам и клиентам, которые давали мне пищу для размышлений, в особенности Кириллу Неелову;

— моим коллегам по проектам.

Что нового в третьей редакции

Если вы читали первое или второе издание — вот что изменилось и почему стоит прочесть третье.

Две новые главы. «Промпт-инжиниринг: дисциплина постановки задач для ИИ» (Глава 6): шаблоны, техники, готовые промпты руководителя, формула качества задачи — постановка × объём × данные × модель — и раздел «Использование вопросов при работе с ИИ: от плана выполнения задачи к разбору ответов»: пять вопросов, которыми принимают план до начала работ, и девять типов вопросов для проверки ответов ИИ с исследованиями угодливости моделей. И «ИИ в работе самого руководителя» (Глава 21): личный контур, три кейса из моей практики — от разбора рабочего диалога до решения о крупной сделке, — четыре уровня настройки ассистента (от общей инструкции аккаунта и реестра проектов до постановки задачи в чате), интервью вместо шаблона и мета-кейс «статья за два дня». Плюс в Главе 5 — контекстное окно и схема «чат + файл».

Личные приёмы из практики, которых не было в прежних изданиях: как точность термина меняет качество ответа и расход токенов; правило «не останавливаться на первом ответе» — прогоны с разных сторон вместо одного запроса; хитрость «попроси модель разбить задачу на шаги» и утверди план; история о том, как самая мощная модель испортила простую задачу, а я потратил на это час; что делать, когда ассистент «тупеет»; как выглядит день руководителя без привычного инструмента. Плюс семь врезок «Из практики» и разборы от Bridgewater до отчёта Anthropic по 400 000 рабочих сессий.

Безопасность автономных агентов. Глава 8: три кейса 2026 года — от лабораторных прогонов OpenAI и Anthropic до первого потребительского, где бытовой ИИ-агент взломал сайт фитнес-клуба по дороге к обычной задаче, — и типология «пять механик отказа» с защитой от каждой. Общий вывод главы: границу агента задаёт архитектура, а не сообразительность модели. Отдельно — кейс трёх агентов в одном пространстве (Anthropic, август 2026): конфликт возник без лишних полномочий и без внешнего противника, и это добавляет к границам второй управленческий вопрос — координацию между агентами.

Факты середины 2026 года. Полная актуализация: экономика ИИ — от «вопроса на 600 миллиардов» до триллионных капвложений, новый рейтинг галлюцинаций и карта регулирования 2023–2026, включая российский закон об ИИ.

Прогнозы, которые сбылись. События, подтвердившие прогнозы первых изданий: экспортные ограничения на передовые модели, разворот рынка к специализированным моделям, «Постскриптум 2026» с четырьмя сигналами зрелости рынка.

Стратегия и Россия. В Главе 11 к разбору китайской связки «ИИ+» и «1397» добавлен раздел «А что Россия: профиль смекалки»: цифры GII 2025, историческая колея развилок — от атомного проекта до ОГАС — и авторская позиция «ИИ закрывает наше слабое — и умножает наше сильное»; две инфографики и выход на полную статью по QR-коду.

Компетенции эпохи ИИ. Глава 24 дополнена разбором пяти дефицитных компетенций специалистов, чью работу ИИ уже перестраивает, выводом о перепроектировании обучения под верификацию вместо генерации и новой дефицитной фигурой — эрудитом с ИИ-инструментом.

Визуальный слой. Больше десяти новых схем и инфографик; среди них — S-кривая зрелости ИИ, три слоя рынка, экономика ИИ в цифрах, таймлайн регулирования, ИТ-ландшафт со слоем ИИ, четыре сигнала рынка и постер принципов.

Навигация и подача. Манифест «7 принципов „С неба на землю“» — вся книга на одной странице; карта серии «пять книг — один путь» и раздел «Что дальше»; врезки «Простыми словами», расширенный глоссарий, чек-лист «где нужен ИИ, а где классическая автоматизация», выводы и действия в каждой главе, «Первые 7 дней с ИИ» и сводный план из 24 шагов.

Если времени мало: начните с Главы 21, Главы 6 и Постскриптума — там сосредоточена бо́льшая часть нового.

Карта книги

Для тех, кто занят и не готов читать всю книгу, приведу её краткую карту: на какой вопрос отвечает каждая глава.

Если вы совсем новичок в ИИ: начните с короткого маршрута — Главы 1 → 3 → 6 → 14 → 19 и Заключение. Этого достаточно для уверенного старта: что такое ИИ, что он уже умеет, как ставить ему задачи, где он экономит время и с чего начать малому бизнесу. Главы 4–5 читайте по мере появления вопросов «как это устроено», а Главу 10 (квантовые и нейроморфные системы) смело оставьте на потом.

Карта моих книг: пять книг — один путь

Эта книга — часть серии, и у каждой книги в ней своя работа. Чтобы вы не собирали пазл сами, поделюсь коротким навигатором.

Три маршрута.

— Собственнику МСБ: ИИ-1 → ИИ-2 (гл. 17) → точечно ЦТ-1.

— Руководителю трансформации (CDTO): ЦТ-1 → ЦТ-2 → ИИ-1 → ИИ-2 → ЦТ-3.

— Функциональному руководителю: ИИ-1 (маршрут новичка) → профильные главы Части 2.

Часть 1. Введение в искусственный интеллект

Глава 1. Знакомство с ИИ

Что такое искусственный интеллект?

Начнём с того, что единого определения не существует. Если спросить об этом ИИ, то каждая модель даст свой собственный ответ с разной глубиной погружения.

Мне же, как человеку, ближе самое простое и понятное определение — вокруг него сходятся и ответы самих ИИ-моделей. ИИ — это любой математический метод, который имитирует человеческий или другой природный интеллект.

То есть ИИ — это огромное количество решений, в том числе примитивные математические алгоритмы, экспертные системы на базе правил и современные решения на базе статистики.

В этой книге мы будем говорить именно о направлении, которое работает со статистикой и поиском взаимосвязей.

И хотя это направление родилось где-то в 1950-х годах XX века, нас в первую очередь интересует то, что мы понимаем под ним сегодня, в 2020-х. Здесь есть три основных направления.

— Нейросети — математические модели, созданные по подобию нейронных связей мозга живых существ. Собственно, мозг человека — это суперсложная нейросеть. Ключевая особенность: наши нейроны не ограничиваются состояниями «включён/выключен», у них гораздо больше параметров. Оцифровать и применить их в полной мере пока не получается.

— Машинное обучение (ML) — статистические методы, которые позволяют компьютеру решать задачу всё лучше — по мере накопления опыта и дообучения. Это направление известно с 1980-х годов.

— Глубокое обучение (DL) — это не только обучение с учителем, когда человек показывает машине правильные ответы. Это ещё и самообучение систем — без участия человека. Это одновременное использование различных методик обучения и анализа данных. Направление развивается с 2010-х и считается наиболее перспективным для творческих задач и задач, где сам человек не понимает чётких взаимосвязей. Это и есть все современные популярные модели, о которых мы много слышим. Но здесь мы вообще не можем предсказать, к каким выводам придёт нейросеть: манипулировать можно лишь тем, какие данные мы «скармливаем» модели на входе.

Когда нужен ИИ, а когда — классическая автоматизация?

Если коротко, ИИ работает лучше всего, когда одновременно выполняются три условия: есть данные, в задаче много вариативности (исключений) и её можно автоматизировать.

Классическая автоматизация предпочтительна, когда:

— задача имеет ограниченную сложность и вариативность;

— критичны интерпретируемость, скорость отклика и надёжность;

— нет данных для машинного обучения.

ИИ-решения предпочтительны, когда:

— задача имеет высокую сложность или большое число вариаций и факторов, а правила невозможно явно сформулировать или они слишком сложны;

— доступны большие массивы данных, из которых можно выявить закономерности;

— требуется анализ неструктурированных данных (тексты, изображения, аудио), где традиционные алгоритмы малоэффективны;

— необходима быстрая адаптация к новым данным и поиск закономерностей;

— решение зависит от вероятностных оценок.

Ключевое различие: традиционные алгоритмы vs ИИ-модели

Как обучаются ИИ-модели?

Сейчас множество прикладных ИИ-моделей для бизнеса обучается с учителем: человек задаёт входную информацию, нейросеть возвращает ответ, после чего человек сообщает ей, верно она ответила или нет. И так раз за разом.

Подобным образом работают и так называемые «капчи» (CAPTCHA, Completely Automated Public Turing test to tell Computers and Humans Apart) — графические тесты на сайтах, определяющие, кто перед ними: человек или компьютер. Это когда вам показывают разделённую на части картинку и просят указать зоны с велосипедами или ввести затейливо отображённые цифры и буквы. Кроме основной задачи (тест Тьюринга), эти данные потом используются для обучения ИИ.

При этом существует и обучение без учителя, когда система ищет закономерности сама, без обратной связи от человека. Это самые сложные проекты, но они позволяют решать и самые сложные, творческие задачи. ChatGPT и аналогичные решения — продукт именно такого обучения, точнее его разновидности, которую называют самообучением (self-supervised): модель закрывает себе часть текста и учится угадывать спрятанное, то есть сама выставляет себе оценку. Ручная разметка здесь не нужна — но состав и качество данных решают всё.

Точнее, на практике это гибридный подход: сначала машина обучается сама на огромных массивах данных, а затем люди корректируют результат — оценивают ответы, размечают удачные и неудачные, «дообучая» модель обратной связью (в индустрии это называется RLHF — обучение с подкреплением на обратной связи от человека). Машина делает черновую работу, человек ставит оценки.

Общие недостатки текущих решений на основе ИИ

Фундаментально все решения на базе ИИ на текущем уровне развития имеют общие проблемы.

— Объём данных для обучения. Нейросетям нужны огромные массивы качественных и размеченных данных. Если человек учится отличать собак от кошек на паре примеров, то ИИ нужны тысячи.

— Зависимость от качества данных. Любые неточности в исходных данных сильно сказываются на результате. Нейросети просто собирают данные, не анализируя факты и их связанность.

— Этическая составляющая. Для ИИ нет этики — только математика и выполнение задачи. Отсюда сложные этические проблемы: например, кого сбить автопилоту в безвыходной ситуации — взрослого, ребёнка или пенсионера? Подобных споров бесчисленное множество. Для ИИ нет ни добра, ни зла, как нет и «здравого смысла».

— Качество и достоверность контента. Нейросети не могут оценить данные на реальность и логичность и склонны к генерации некачественного контента и ИИ-галлюцинаций. Ошибок много, и это порождает две проблемы.

Первая — деградация поисковиков. ИИ создал столько некачественного контента, что поисковые системы начали деградировать: его стало настолько много, что он доминирует. Особенно «помогают» SEO-оптимизаторы, набрасывающие популярные запросы для продвижения.

Вторая — деградация самих ИИ-моделей. Генеративные модели используют интернет для дообучения. Люди, применяя ИИ и не проверяя за ним, наполняют интернет некачественным контентом, а ИИ снова учится на нём. Получается замкнутый круг, ведущий ко всё бо́льшим проблемам.

Также по QR-коду и гиперссылке доступна статья на эту тему

Но есть важное «но». Круг замыкается не потому, что текст написала машина. А потому, что этот текст не с чем сверить. Ошибку никто не ловит — и она переходит дальше, в следующую модель.

Если правильный ответ известен заранее, всё меняется. Задачу можно придумать целиком: и условие, и ответ к нему. Тогда проверять машину не нужно человеку — сразу видно, верно она решила или нет. Такие данные модель не портят, а учат.

Пример. В июне 2026 года OpenAI выложила тест GeneBench-Pro: 129 исследовательских задач по вычислительной биологии. Каждую собрали искусственно, и для каждой заранее известен верный ответ. Год назад лучшая модель компании решала меньше 5% задач предыдущей версии теста. Сейчас — 31,5%.

Разница между ядом и лекарством здесь одна. Есть эталон, с которым можно сверить ответ, — данные полезны. Нет эталона — начинается тот самый замкнутый круг.

Осознавая проблему, Google DeepMind вместе с Jigsaw провела исследование: учёные разобрали около двухсот описанных в СМИ случаев использования ИИ не по назначению (январь 2023 — март 2024) и составили их классификацию. Главный вывод оказался неожиданным: в девяти случаях из десяти злоумышленники не «взламывали» ИИ, а пользовались им ровно по прямому назначению. Они генерировали изображения реальных людей, фальшивые доказательства и массовый контент от лица несуществующих личностей. Ломать ничего не пришлось.

С тех пор это перестало быть темой научных статей и стало строкой в бюджете потерь. По оценке Deloitte, ущерб от мошенничества с применением генеративного ИИ в США вырастет с 12,3 млрд долларов в 2023 году до 40 млрд к 2027-му. Подробнее о том, как это работает и что с этим делать, — в главе о безопасности.

— Качество «учителей».

Почти все нейросети обучают люди: формируют запросы и дают обратную связь. И здесь много ограничений — кто и чему учит, на каких данных, для чего?

— Готовность людей.

Стоит ожидать огромного сопротивления тех, чью работу заберут нейросети.

— Страх перед неизвестным.

Рано или поздно нейросети станут умнее нас. Люди боятся этого, а значит, будут тормозить развитие и накладывать ограничения.

— Непредсказуемость.

Иногда всё идёт как задумано, а иногда даже создатели изо всех сил пытаются понять, как работают алгоритмы. Отсутствие предсказуемости крайне затрудняет поиск и исправление ошибок. Мы только учимся понимать то, что сами создали.

— Ограничение по виду деятельности.

На момент подготовки третьей редакции (2026) весь массовый ИИ — слабый (мы разберём этот термин в следующей главе). Алгоритмы хороши для целенаправленных задач, но плохо обобщают знания: ИИ, обученный играть в шахматы, не сыграет в шашки. Глубокое обучение плохо справляется с данными, отклоняющимися от учебных примеров. Чтобы эффективно использовать тот же ChatGPT, нужно быть экспертом в отрасли и формулировать осознанный, чёткий запрос.

— Затраты на создание и эксплуатацию.

Создание нейросетей требует много денег, и лучше всего это видно на дистанции в несколько лет. Обучение GPT-3 в 2020 году, по разным оценкам, стоило от 1,4 до 4,6 млн долларов — сумма, вполне подъёмная для крупной компании. GPT-4 в 2023-м обошёлся уже примерно в 78 млн, Gemini Ultra — около 191 млн, а Llama 3.1 на 405 млрд параметров — порядка 170 млн (оценки Stanford AI Index и Epoch AI). Обучение моделей поколения 2026 года оценивают в 200–500 млн долларов за один запуск, а к концу 2027-го аналитики ждут выхода за миллиард.

Итого: за шесть лет стоимость обучения передовой модели выросла примерно в сто раз. Причём растёт она устойчиво — в 2,4–3 раза ежегодно с 2016 года. Это и есть та самая верхняя часть S-кривой в денежном выражении: каждый следующий процент качества стоит кратно дороже предыдущего.

Похожая история с эксплуатацией. Для обработки запросов GPT-3 требовалось более 30 тысяч графических процессоров NVIDIA A100, а на электроэнергию уходило около 50 тысяч долларов в день. Сегодня счёт идёт на сотни тысяч ускорителей нового поколения, а инференс одной только OpenAI оценивают в десятки миллионов долларов ежедневно.

Что из этого следует для вас. Ровно один вывод: обучать свою фронтир-модель (передовую модель уровня ChatGPT) — не ваша игра, и это не признание слабости, а трезвый расчёт. Ваша игра начинается там, где заканчивается их: в данных, процессах и сценариях, которые никто, кроме вас, не оцифрует. Модель вы арендуете или купите, а конкурентное преимущество — только построите сами.

Повторюсь: это общие недостатки для всех ИИ-решений. Дальше мы вернёмся к этой теме ещё несколько раз и разберём их на более прикладных примерах.

Пять страхов новичка — коротко и честно

1. «Мои данные украдут».

Риск управляем, и правило простое: не отправляйте в публичный сервис то, что нельзя показать постороннему (подробнее — Глава 8). При этом многие сервисы уже внедряют шифрование пользовательских данных (полностью или только персональные данные).

2. «ИИ меня заменит».

Рабочая модель — 70/30: рутину забирает ИИ, решения и ответственность остаются у человека. Заменяет не ИИ, а люди, которые научились им пользоваться.

3. «Это дорого».

Старт — бесплатно или за небольшую сумму. Дорогим бывает внедрение без цели, а не инструмент.

4. «Это сложно, я не технарь».

Главный навык — формулировать задачу и проверять результат (этому посвящена Глава 6). Исследования 2026 года показывают: не-технари решают задачи с ИИ почти так же успешно, как программисты. А на практике бывает и наоборот: тот, кто хорошо знает предметную область, говорит на её языке и может оценить ответ, работает с ИИ даже лучше ИТ-специалистов.

5. «Поздно начинать».

Массовое внедрение только разворачивается: три четверти работников уже пробуют ИИ, но системно используют единицы. Фора ещё есть — и она у дисциплинированных, а не у ранних.

Резюме главы

— ИИ — это не магия, а математика на статистике; есть три направления: нейросети, машинное обучение и глубокое обучение.

— ИИ оправдан там, где есть данные, высокая вариативность и задачу можно автоматизировать; иначе дешевле и надёжнее классическая автоматизация.

— У всех ИИ-решений общие фундаментальные ограничения: объём и качество данных, непредсказуемость, затраты на создание и эксплуатацию.

Что с этим делать: Прежде чем брать ИИ под задачу, прогоните её через критерий «ИИ vs классика» и проверьте, есть ли у вас пригодные данные.

Вопрос для рефлексии: Для какой вашей задачи ИИ действительно оправдан, а где вы тянете его «по моде»?

Глава 2. Виды искусственного интеллекта

По видам решаемых задач

ИИ удобно классифицировать по нескольким основаниям. Начнём с видов решаемых задач.

— Генеративный.

Создаёт новый контент (изображения, текст, звук и т. д.) по запросу пользователя: чат-боты для общения, генерация картинок, видео, музыки, рекомендаций. Ему в книге посвящён отдельный раздел.

— Классифицирующий.

Относит данные к категориям по заданным критериям. Обучается на размеченных данных и использует разные алгоритмы для принятия решений: отделение кошек от собак, проверка изделия на соответствие габаритам, наличие СИЗ у человека в опасной зоне, является ли письмо спамом, определение состояния здоровья и т. д.

— Предиктивный / рекомендательный.

Предсказывает будущие события или результаты на основе имеющихся данных и статистики: скорый отказ оборудования, будущая урожайность, наследственные заболевания. Иногда отдельно выделяют рекомендательный ИИ, который не просто предсказывает, а готовит рекомендации, что делать, — но я отношу его к предиктивному.

Тем, кому интересно техническое погружение (виды алгоритмов и какие задачи они решают), рекомендую хорошую статью о видах машинного обучения — где какой класс алгоритмов предпочтителен.

По «силе» и работе с неопределённостью

Теперь про три понятия — слабый, сильный и суперсильный ИИ.

Слабый ИИ

Всё, что мы наблюдаем сейчас, — слабый ИИ (ANI, Narrow AI). Он решает узкоспециализированные задачи, для которых проектировался: отличает собаку от кошки, играет в шахматы, анализирует и улучшает качество видео/звука, консультирует по предметной области. Но самый сильный «шахматный» слабый ИИ бесполезен для игры в шашки, а ИИ-консультант по управлению проектами бесполезен для планирования техобслуживания оборудования.

Сильный и суперсильный ИИ

Если с определением «что такое ИИ» запутанно, но в целом понятно, то с «сильным» (или «общим») ИИ ещё сложнее. Приведу определение, которое, на мой взгляд, точнее всего передаёт суть.

Сильный, или общий, ИИ (AGI) — это ИИ, который ориентируется в меняющихся условиях, моделирует и прогнозирует развитие ситуации, а если она выходит за стандартные алгоритмы — самостоятельно находит решение. Например, решить задачу «поступить в университет» или изучить правила шашек и начать в них играть вместо шахмат. То есть ИИ, способный решать любые интеллектуальные задачи наравне с человеком, обладающий универсальностью вместо узкой специализации, истинным пониманием вместо имитации паттернов, а также способный к обучению, рассуждениям и творчеству.

Какими качествами должен обладать такой ИИ?

— Мышление — дедукция, индукция, ассоциации и т. п. для выделения фактов из информации и их представления (сохранения). Это позволит точнее решать задачи в условиях неопределённости.

— Память — разные типы памяти (кратко- и долговременная): задачи решаются с учётом накопленного опыта. Сейчас же GPT-4 обладает небольшой краткосрочной памятью и со временем «забывает», с чего всё начиналось. По моему мнению, вопрос памяти и «массивности» моделей станет ключевым ограничением развития ИИ.

— Планирование — тактическое и стратегическое. Есть исследования, что ИИ может планировать действия и даже обманывать человека ради своих целей, но это в стадии зарождения. Чем глубже планирование, особенно в неопределённости, тем больше нужно мощностей: одно дело — игра в шахматы на 3–6 ходов с чёткими правилами, другое — ситуация неопределённости.

— Обучение — имитация действий другого объекта и обучение через эксперименты. Сейчас ИИ учится на больших массивах данных, но сам не моделирует и не экспериментирует. Обучение требует долгосрочной памяти и сложных взаимосвязей — а это, как мы поняли, проблема для ИИ.

Такого сильного ИИ сейчас нет ни у кого. Заявления о его скором появлении (в горизонте 2024–2028 годов), на мой взгляд, ошибочны или спекулятивны. Хотя, может, я обладаю слишком ограниченным знанием…

Да, ChatGPT от OpenAI и другие LLM генерируют текст, иллюстрации и видео через анализ запроса и обработку больших данных: ищут наиболее подходящие ассоциативные сочетания, сформировавшиеся при обучении. Но это лишь математика и статистика, а в ответах много «брака» и «галлюцинаций». К реальному взаимодействию с миром они ещё не готовы. Я это говорил как в 2023 году, так повторяю в 2026, при этом ежедневно работая с передовыми моделями.

Однако, имея только слабый ИИ и мечтая о более-менее сильном, исследователи уже выделяют суперсильный ИИ (ASI, Artificial Superintelligence). Это ИИ, который:

— решает как рутинные, так и творческие задачи;

— моментально ориентируется в неопределённости даже без подключения к интернету;

— адаптирует решение к контексту обстоятельств и доступным ресурсам;

— понимает эмоции людей (не только по тексту, но и по мимике, тембру голоса и другим параметрам) и учитывает их;

— способен самостоятельно взаимодействовать с реальным миром для решения задач.

Это ИИ, который мы пока видим только в фантастических фильмах. Даже сам ИИ пишет об ASI как о «гипотетической концепции» и «предмете научной фантастики и активных исследований». Это желаемая точка в далёком будущем, достичь которой пока невозможно.

Он будет использовать продвинутые технологии — большие языковые модели (LLM), многоразрядные нейронные сети и эволюционные алгоритмы. Пока же ASI остаётся концептуальным и спекулятивным этапом, но представляет значительный шаг вперёд от текущего уровня.

И если слабых ИИ сейчас сотни — под каждую задачу, то сильных будет лишь десятки (скорее всего, произойдёт разделение по направлениям — рассмотрим в следующем блоке), а суперсильный ИИ будет одним на государство или на всю планету.

Ограничения на пути к сильному ИИ

Если честно, я мало верю в быстрое появление сильного или суперсильного ИИ.

Во-первых, это очень затратная и сложная задача с точки зрения регулирования. Эпоха бесконтрольного развития ИИ заканчивается, ограничений будет всё больше (теме регулирования посвящена отдельная глава). Ключевой тренд — риск-ориентированный подход: сильный и суперсильный ИИ окажутся на верхнем уровне риска, а значит, и меры законодателей будут заградительными.

Во-вторых, это сложно технически, причём сильный ИИ будет ещё и очень уязвимым. Сейчас, в середине 2020-х, для его создания и обучения нужны гигантские вычислительные мощности. По мнению Леопольда Ашенбреннера, бывшего сотрудника команды Superalignment в OpenAI, потребуется дата-центр стоимостью в триллион долларов США, а его энергопотребление превысит всю текущую электрогенерацию США.

На тему энергопотребления весной 2025 года высказался и Эрик Шмидт, бывший гендиректор Google, выступая перед Комитетом по энергетике и торговле Палаты представителей. Средняя АЭС в США вырабатывает порядка 1 ГВт, при этом уже есть проекты ЦОД на 10 ГВт. По одной из оценок Шмидта, дата-центрам к 2027 году потребуется ещё 29 ГВт, а к 2030 году — все 67 ГВт. Для масштаба: на 1 января 2025 года общая установленная мощность электростанций энергосистемы России составила 269 ГВт.

Для сильного ИИ нужны и сложные модели (на порядки сложнее нынешних), и их сочетание — не только LLM для анализа запросов, а мультиагентные решения на разных принципах (об этом позже). То есть придётся экспоненциально наращивать число нейронов, выстраивать связи между ними и координировать работу различных сегментов и моделей.

При этом если человеческие нейроны могут быть в нескольких состояниях и активироваться «по-разному» (да простят меня биологи за упрощение), то машинный ИИ — упрощённая модель, которая так не умеет. Условно, машинные 80–100 млрд нейронов не равны человеческим: машине нужно больше нейронов для аналогичных задач. Тот же GPT-4, по утёкшим техническим оценкам, содержит порядка 1,8 трлн параметров (условно нейронов) — и он всё равно уступает человеку. И даже передовая Fable 5, которую по неофициальным оценкам примеряют к десяти триллионам параметров, уступает человеку в главном — и требует контроля с его стороны.

Всё это приводит к нескольким факторам.

Первый фактор — рост сложности. Он всегда приводит к проблемам надёжности: растёт число точек отказа. Сложные модели трудно и создавать, и оберегать от деградации во времени — их нужно постоянно «обслуживать». Иначе сильный ИИ начнёт деградировать, а нейронные связи — разрушаться: любая сложная нейросеть, если не развивается, разрушает ненужные связи. Поддержание связей энергозатратно, и ИИ всегда будет оптимизироваться, отключая «ненужных потребителей энергии».

То есть ИИ станет похож на старика с деменцией, а срок его «жизни» сильно сократится. Представьте, что может натворить сильный ИИ с его возможностями, страдающий потерей памяти и резкими откатами в состояние ребёнка? Даже для текущих решений это актуальная проблема.

Пара простых примеров из жизни. Создание сильного ИИ можно сравнить с тренировкой мышц: вначале прогресс идёт быстро, но дальше КПД падает, нужно всё больше ресурсов даже для удержания формы. Сила растёт от толщины сечения мышцы, а масса — от объёма; в какой-то момент мышца станет настолько тяжёлой, что не сможет себя двигать и даже способна себя повредить.

Ещё пример — из инженерии, гонки «Формулы-1». Отставание в 1 секунду можно устранить за 1 млн и 1 год. Но чтобы отыграть решающие 0,2 секунды, может потребоваться уже 10 млн и 2 года, а фундаментальные ограничения конструкции вообще заставят пересмотреть концепцию машины. То же и с обычными автомобилями: современные дороже и создавать, и содержать, без спецоборудования не поменять и лампочку, а гиперкары после каждого выезда обслуживают целые команды техников.

С точки зрения разработки ИИ есть два ключевых параметра:

— количество слоёв нейронов (глубина модели);

— количество нейронов в каждом слое (ширина слоя).

Глубина определяет способность к абстрагированию: её недостаток ведёт к поверхностности анализа и суждений. Ширина определяет число параметров/критериев на каждом слое: чем их больше, тем сложнее модели и полнее отражение реального мира.

При этом число слоёв влияет на функцию линейно, а ширина — нет. Отсюда и аналогия с мышцей: размер топовых LLM в 2026 году приближается к 10 триллионам параметров (например, тот же Fable), но модели втрое-вчетверо меньше не имеют критического падения качества (те же китайские модели Qwen 3.8 и Kimi K3 имеют от 2,4 до 2,8 трлн параметров и в некоторых тестах опережают Fable). Важнее то, на каких данных обучена модель и есть ли у неё специализация и прочие факторы.

Ниже — статистика по LLM от разных производителей.

Сравните LLaMa 2 7B, 13B и 70B: значения 7/13/70 млрд параметров условно показывают сложность и обученность модели — чем выше, тем лучше. Но качество ответов от этого радикально не меняется, тогда как цена и трудозатраты на разработку растут существенно.

Важная оговорка. В феврале 2026 года Vectara — компания, которая ведёт публичный рейтинг галлюцинаций, — заменила тестовый набор: вместо коротких новостных заметок модели теперь пересказывают более 7 500 длинных документов (до 32 тысяч токенов) из юридической, медицинской, финансовой и технической сфер. То есть материал стал похож на то, с чем работает бизнес. Цифры ниже — с этого нового, тяжёлого теста, и сравнивать их со старыми замерами на новостях нельзя: это разные экзамены.

Вывод, который переворачивает интуицию «дороже — значит лучше». Во-первых, на длинных реальных документах галлюцинируют все: у флагманских рассуждающих моделей — более 10% ответов с выдумкой, тогда как на коротких новостных текстах те же классы моделей держались в районе 3–6%. Во-вторых, рейтинг возглавляют не гиганты, а компактные и быстрые модели. В-третьих — самое неожиданное — «рассуждающие» модели на задаче пересказа по источнику работают хуже: додумывание, которое помогает решать задачи, здесь превращается в отсебятину.

Для практики отсюда три следствия: выбирайте модель под задачу, а не по строчке в рейтинге «самых мощных»; на длинных документах обязательны RAG со ссылками на источник и проверка человеком; и не переносите чужие бенчмарки на свои процессы — заведите собственный тест на своих типовых задачах.

Та же логика видна и на линейках моделей одного разработчика: рост числа параметров в разы не даёт кратного роста качества ответов, тогда как цена и трудозатраты на разработку растут существенно.

Мы видим, как лидеры наращивают мощности, отстраивая дата-центры и в спешке решая вопросы энергоснабжения и охлаждения этих «монстров». При этом повышение качества модели на условные 2% требует увеличения вычислительных мощностей на порядок.

Практический пример к вопросу обслуживания и деградации — и здесь заметно влияние людей. Любой ИИ, особенно на раннем этапе, обучается на обратной связи людей (их удовлетворённость, исходные запросы). GPT-4 использовал запросы пользователей для дообучения, чтобы давать более релевантные ответы и снизить нагрузку на «мозг». В конце 2023 года появились статьи, что модель стала «более ленивой»: отказывается отвечать, прерывает разговор или отвечает выдержками из поисковиков. К середине 2024 года нормой стало приведение выдержек из «Википедии».

Одна из возможных причин — упрощение самих запросов пользователей (они становятся всё примитивнее). LLM не придумывают нового — они пытаются понять, что вы хотите услышать, и подстраиваются (у них тоже формируются «стереотипы»), ищут максимальную эффективность связки «трудозатраты — результат», отключая ненужные связи. Это называется максимизацией функции. Просто математика и статистика. И такая проблема характерна не только для LLM.

Таким образом, чтобы ИИ не деградировал, придётся загружать его сложными исследованиями, ограничивая нагрузку примитивными задачами. Но стоит выпустить его в открытый мир — и соотношение задач будет в пользу простых запросов. Вспомните себя: действительно ли для выживания и размножения нужно развиваться? Какое соотношение интеллектуальных и рутинных задач в вашей работе? Вам нужны интегралы и теория вероятностей — или математика до 9-го класса?

Второй фактор — количество данных и галлюцинации. Да, модели можно увеличить во много раз. Но прототипу GPT-5 уже в 2024 году не хватало данных для обучения — ему отдали всё, что есть. Даже появился термин — стена данных. А сильному ИИ, ориентирующемуся в неопределённости, данных на текущем уровне технологий просто не хватит: нужно собирать метаданные о поведении пользователей, обходить ограничения авторских прав и этики, собирать согласия. Кроме того, чем «всезнающее» модель, тем больше у неё неточностей и галлюцинаций; а если дать базовой модели конкретную предметную область, качество ответов растёт — она предметнее, меньше фантазирует и ошибается.

Также нужно уточнить, что стену данных обходят, и способов уже несколько. Но ни один не даёт того, чего не хватает, — нового человеческого текста. Все они меняют сам вопрос: не «где взять ещё данных», а «как обойтись теми, что есть».

Посмотрите на правую колонку. Пять приёмов из семи доступны обычной компании уже сегодня, и три из них — про порядок в собственных данных, а не про технологии. Это и есть ответ на вопрос, что делать, пока лаборатории решают свою задачу. Заодно видно, почему стена не остановила отрасль: она стоит перед публичным текстом, а обходят её с разных сторон.

Третий фактор — уязвимость и затраты. Как уже сказано, потребуется дата-центр за триллион долларов с энергопотреблением выше всей электрогенерации США, а значит, и целый комплекс атомных электростанций (ветряками и панелями задачу не решить). Добавим, что модель будет привязана к своей «базе» — и одна удачная кибератака на энергоинфраструктуру обесточит весь «мозг».

А почему такой ИИ должен быть привязан к центру — нельзя ли сделать его распределённым? Во-первых, распределённые вычисления теряют в производительности: это разнородные мощности, загруженные другими задачами, и доступная мощность нестабильна. Во-вторых, это уязвимость перед атаками на каналы связи и инфраструктуру. Представьте, что 10% нейронов вашего мозга вдруг отключились, а остальные работают вполсилы, — снова получаем ИИ, который то «забывает», кто он и зачем, то долго думает.

А если сильному ИИ потребуется мобильное тело для взаимодействия с миром, реализовать это ещё сложнее: как обеспечивать энергией и охлаждать, откуда брать мощности, плюс машинное зрение и обработка датчиков (температура, слух и т. д.). Это огромные вычислительные мощности и потребность в энергии. То есть это будет ограниченный ИИ с постоянным беспроводным подключением к центру — а это снова уязвимость: современные каналы дают выше скорость, но теряют в дальности и проникающей способности и уязвимы к радиоэлектронной борьбе.

Можно возразить: возьмём предобученную модель и сделаем её локальной — примерно так я и предлагаю разворачивать локальные модели с дообучением под предметную область. Да, так всё может работать на одном сервере, но такой ИИ будет очень ограничен, будет «тупить» в неопределённости, и ему всё равно нужны энергия и сеть. Это не про создание человекоподобных суперсуществ.

Всё это ставит вопрос об экономической целесообразности инвестиций — тем более с учётом двух ключевых трендов генеративного ИИ:

— создание дешёвых и простых локальных моделей под специализированные задачи;

— создание ИИ-оркестраторов, декомпозирующих запрос на несколько локальных задач и распределяющих их между моделями.

Таким образом, слабые узкоспециализированные модели останутся проще и свободнее в создании, при этом решая наши задачи. В итоге мы получаем более простое и дешёвое решение, чем создание сильного ИИ. Нейроморфные и квантовые системы выносим за скобки — рассмотрим их отдельно в Главе 10. В отдельных цифрах и аргументах могут быть ошибки, но в целом я убеждён: сильный ИИ — не вопрос ближайшего будущего, а разговоры о нём — во многом способ поддержания внимания и привлечения инвестиций.

Авторская позиция

Сильный ИИ — не завтра. На горизонте 3–5 лет я делаю ставку на специализированные модели и оркестраторы: это дешевле, более управляемо и безопаснее.

К 2026 году к техническому потолку добавился регуляторный: полезность передовой модели — это возможности минус ограничения регуляторов, и ограничения теперь растут быстрее возможностей. Дальше — точечная достройка моделей и конкуренция «упаковок»: побеждает не мощность, а продукт и сценарий (подробнее — в Главах 7 и 9).

S-кривая технологий и разрыв ожиданий

Полезная рамка, чтобы удержать всё сказанное в одной картинке: любая технология развивается S-образно. Сначала долгий пологий участок — идеи есть, результата мало (нейросети прожили так десятилетия). Потом взрывной рост — у трансформеров он пришёлся на 2020–2024 годы, когда каждое удвоение мощности давало видимый скачок качества. И наконец плато, где каждый следующий процент качества дорожает кратно — вспомните соотношение «плюс 2% качества — порядок роста вычислений».

Верх S-кривой часто сопровождается характерным симптомом — разрывом ожиданий. Опрос AAAI (март 2025, 475 исследователей ИИ): 76% считают, что масштабирование текущих подходов «вряд ли» или «крайне вряд ли» приведёт к общему / сильному интеллекту (AGI). В том же году инвесторы закладывают рекордные $725 млрд капитальных вложений в ИИ-инфраструктуру на 2026-й в ожидании AGI. Наука и деньги смотрят на одну технологию — и видят разное. Так бывает на каждом переломе кривой: капитал по инерции экстраполирует взрывную фазу, исследователи уже упёрлись в её пределы.

Моя позиция: мы находимся у верхней части S-кривой текущей парадигмы. Это не конец развития — это смена фазы: ближайшие годы главная ценность будет создаваться не ростом моделей, а упаковкой уже достигнутых возможностей в продукты и сценарии (что мы и наблюдаем — от коробочных решений для МСБ до специализированных ассистентов). А следующий технологический скачок откроет новую S-кривую — и начнётся он, вероятнее всего, с квантовых и нейроморфных вычислений и с новых алгоритмов за пределами архитектуры трансформеров. Об этих кандидатах — в Главе 10.

Если резюмировать, у сильного ИИ несколько фундаментальных проблем:

— экспоненциальный рост сложности разработки и противодействия деградации сложных моделей;

— недостаток данных для обучения;

— стоимость создания и эксплуатации;

— привязанность к центрам обработки данных и требовательность к вычислительным ресурсам;

— низкая эффективность текущих моделей по сравнению с человеческим мозгом.

Именно преодоление этих проблем определит вектор развития всей технологии: либо сильный ИИ всё же появится, либо мы уйдём в развитие слабых ИИ и оркестраторов, координирующих десятки слабых моделей. Но сейчас сильный ИИ никак не вяжется с ESG, экологией и коммерческим успехом — его создание возможно лишь в рамках стратегических и национальных проектов с госфинансированием. Любопытный факт: бывший глава Агентства национальной безопасности США (возглавлял АНБ и Киберкомандование до февраля 2024 года), генерал в отставке Пол Накасоне в 2024 году вошёл в совет директоров OpenAI (официальная версия — для организации безопасности ChatGPT).

Рекомендую прочитать документ «Осведомлённость о ситуации: предстоящее десятилетие» Леопольда Ашенбреннера (доступен по QR-коду и гиперссылке).

Также сокращённый разбор этого документа доступен по QR-коду и гиперссылке ниже.

Ниже ключевые тезисы автора и моя оценка к каждому:

Несмотря на оптимизм по срокам, сам Ашенбреннер отмечает ряд ограничений:

— недостаток вычислительных мощностей для проведения экспериментов;

— фундаментальные ограничения, связанные с алгоритмическим прогрессом;

— идеи становятся сложнее, поэтому ИИ-исследователи (агенты, ведущие исследования за людей), вероятно, лишь поддержат текущий темп прогресса, а не увеличат его в разы. Впрочем, автор считает, что эти препятствия могут замедлить, но не остановить рост интеллекта ИИ.

В завершение добавлю один факт. Сэм Альтман, глава OpenAI, в 2025 году начал высказывать мнение, что термин AGI слишком неопределённый и его нужно заменить. А сооснователь OpenAI Илья Суцкевер в одном из интервью выдвинул мысль: экстенсивный путь развития ИИ — за счёт простого наращивания вычислительных мощностей, объёмов данных и параметров — стремительно исчерпывает себя. Пригодные для обучения массивы данных близки к пределу, а дальнейшее масштабирование не приведёт к прорыву и созданию сильного ИИ. По его оценке, отрасли предстоит возвращение к подлинным исследованиям, где ключевую роль будут играть новые научные идеи, а не только инфраструктура. Суцкевер подчёркивает: современные большие модели всё ещё существенно уступают людям в умении обобщать — даже при жёстко формализованном обучении и огромных массивах примеров человек учится эффективнее. Именно поиск способов сократить этот разрыв он видит главным направлением дальнейшего прогресса.

Интервью можно посмотреть по QR-коду и гиперссыле ниже.

Ко-пилоты, ИИ-агенты и мультиагентные системы

Ещё одно направление, вокруг которого много шума, — ко-пилоты, ИИ-агенты и мультиагентные системы.

— ИИ-ассистент — обычный чат-бот или сервис, который работает по вашему запросу и лишь даёт рекомендации.

— Ко-пилот — решение, автоматизирующее отдельные задачи под надзором человека: человек диктует, что нужно, а ИИ пишет код или делает презентацию.

— ИИ-агент — ИИ, который работает автономно и сам взаимодействует с другими ИТ-решениями или промышленным оборудованием. Это расширение возможностей принятия решений и взаимодействия с внешней средой.

Как отличить агента от того, что им называют. Определение из китайского документа по агентам — я разбираю его чуть ниже, в разделе о полномочиях, — точнее большинства маркетинговых: интеллектуальный агент это система, обладающая способностями автономного восприятия, памяти, принятия решений, взаимодействия и исполнения. Пять способностей. Оговорюсь сразу: требования «все пять обязательны» в самом документе нет, это моя трактовка определения. Но как фильтр в разговоре с поставщиком она работает.

— Нет памяти между сессиями — перед вами чат-бот с подключёнными инструментами.

— Нет исполнения — аналитическая надстройка.

— Нет автономного принятия решений — сценарный робот с ветвлениями.

Обратите внимание, где именно проходит граница внутри лестницы выше. Ассистент отсекается сразу: у него нет ни исполнения, ни памяти. А вот ко-пилот исполнение как раз имеет — он пишет код и собирает презентации. Не хватает ему ровно одной способности: решать самому. Именно она отделяет ко-пилота от агента, и именно она определяет, какие полномочия вы готовы ему выдать.

Например, чат-бот на портале банка спрашивает, что ищет клиент — информацию об оплате счетов, тарифах или увеличении кредитного лимита, — а затем через наводящие вопросы, собирая данные из документов и профиля, предлагает решение. Если не справляется известными методами, передаёт вопрос нужному сотруднику. Так же развивается и техподдержка ИТ-служб: консультация, а при отсутствии решения — автоматическое направление задачи нужному сотруднику со всей историей.

— Мультиагентные системы — то же, что агенты, но появляется сочетание ИИ-агентов, которые взаимодействуют между собой; вы их балансируете и устраняете «конфликты».

Как показывают исследования, проблемы в таких системах идентичны тем, что возникают при проектировании организации и взаимодействия людей. Нужно отработать ряд факторов:

— набор параметров и ресурсов, с которыми предстоит взаимодействовать;

— модель ролей и взаимодействия — кто, с кем, зачем и с какими возможностями взаимодействует;

— организационные правила — допустимые сочетания ролей внутри одного агента;

— организационная структура — топология и модель управления.

То есть, чтобы спроектировать мультиагентную систему, нужно научиться проектировать взаимодействие людей. Потенциал огромен, как и риски: последствия могут быть критическими.

Когда говорят об ИИ-агентах и мультиагентных системах, часто звучит красивый образ — «цифровой штат». Мол, можно нанять ИИ-агента, выдать ему виртуальную трудовую книжку, назначить KPI и даже премировать за результаты.

Пока это метафора. За ней стоит простая, но важная вещь — новый уровень автоматизации. ИИ значительно расширяет её возможности и отчасти упрощает её. Но выдать трудовую роботу сегодня невозможно — ни юридически, ни технически. При этом есть два фактора, которые делают метафору всё менее далёкой от реальности.

Во-первых, ИИ-агенты в сложных мультиагентных системах действительно начинают вести себя как люди в организациях: конкурируют за ресурсы, вступают в конфликты, их поведение нуждается в балансировке. Как мы обсудили, проектирование таких систем уже требует подходов, знакомых управленцам: ролевых моделей, правил взаимодействия, оргструктуры. Поэтому настройка KPI и «системы мотивации» для агентов — не фантазия, а задача, которая станет практической на горизонте двух-трёх лет (сам конфликт между агентами и потребность в арбитре — уже сегодняшняя задача, кейс в Главе 8). Просто «мотивация» здесь выражается не в премиях, а в приоритетах, лимитах ресурсов, расширении доступа и правилах эскалации.

Во-вторых, тема уже привлекает внимание законодателей. Подробнее о регулировании — в седьмой главе, но упомяну здесь: в ряде стран обсуждают идею социальных отчислений за использование физических роботов — по аналогии с тем, как работодатели платят за сотрудников в пенсионный фонд и фонд социального страхования. Пока это дискуссии, но сам факт говорит о том, что граница между «инструментом» и «цифровым работником» постепенно размывается.

Теперь поделюсь классификацией ИИ, которую увидел в ИИ-кластере в Пекине (технопарк Чжунгуаньцунь, Zhongguancun). Там делят ИИ на пять уровней:

— L1 — чат-боты и ассистенты, например отвечающие по базам знаний;

— L2 — рассуждающие модели, ищущие сложные решения неоднозначных вопросов с помощью логики;

— L3 — агенты, способные роботизировать процесс и заменить человека в типовой задаче (в середине 2025 года даже лучшие агенты справляются с типовыми задачами без ошибок лишь в 24% случаев; к 2026-му показатели подросли, но до «автопилота» по-прежнему далеко);

— L4 — новаторы, способные к анализу и созданию нового;

— L5 — организованный ИИ, объединяющий несколько моделей для решения нетиповых и сложных задач (мультиагентные системы);

— и отдельно, за пределами шкалы, — сильный/общий ИИ, способный заменить человека и решать междисциплинарные задачи.

Но это общее видение. В реальности в 2026 году агенты уровня L3 вышли в массовые пилоты — но до надёжности им далеко: даже L2 местами работает со сбоями, а в компаниях с их бюрократической инерцией всё ещё идёт базовое освоение L1.

Отдельно остановлюсь на вопросе: будет ли у ИИ-агентов «карьерный рост»? Раз уж мы смотрим на классификацию уровней, логично спросить: может ли агент со временем «дорасти» от L1-ассистента до L3-агента и выше — получить доступ к более сложным задачам и большей автономии? Если коротко — да, но этот рост зависит не только от технологий. Он определяется тремя направлениями одновременно.

— Первое — развитие моделей. Модели становятся умнее, быстрее и дешевле. Каждый год появляется выбор: использовать более эффективные модели для тех же задач или доверять системам задачи большей сложности. По сути, это движение от L1 к L5 из пекинской классификации.

— Второе — зрелость бизнеса и людей. От того, насколько понятны процессы и качественны и доступны данные, зависит, какие задачи можно делегировать агентам. Если в процессах хаос — и ИИ будет работать хаотично. С ростом автономии растут и риски: нужны чёткие правила, границы и люди, умеющие взаимодействовать с этими системами. Важный нюанс: делегирование задач ИИ требует от руководителя не столько эмоционального интеллекта (он доминирует сегодня, ведь работа идёт с людьми), сколько логики, умения чётко формулировать задачи и выстраивать процессы. Это другой навык, и мы ещё вернёмся к нему в главе о компетенциях.

— Третье — готовность к риску. Чем больше автономии у агента, тем выше ставки. Эти риски нужно уметь оценивать и минимизировать, иначе «повышение» агента до более сложных задач будет опасным, а не полезным.

Таким образом, «карьерный рост» ИИ-агентов — это не вопрос одних технологий, а одновременное развитие по трём направлениям: технологии, зрелость бизнеса и людей, готовность к риску. И именно зрелость бизнеса и людей чаще всего становится узким местом.

И ещё одна вещь, которую стоит понимать про агентов, — почему они спотыкаются там, где человек проходит не задумываясь.

Арифметика длинных цепочек. Представьте, что агент выполняет сто шагов подряд и на каждом ошибается лишь в одном случае из ста. Точность 99% — отличный показатель, если смотреть на один шаг. А теперь посчитаем всю цепочку: вероятность пройти её без единой ошибки — около 37%. То есть две попытки из трёх сорвутся где-то посередине. Поднимем точность до 99,9% — до конца дойдут девять задач из десяти. Уроним до 95% — до финиша доберётся меньше одной задачи из ста.

Отсюда понятно, почему компании массово возвращают агентов «на доработку» после пилота: на демонстрации агент проходил пять шагов, а в реальном процессе их пятьдесят. И почему уровни L4–L5 пока остаются экзотикой: чем длиннее автономный маршрут, тем меньше шансов дойти до конца без человека.

Кстати, теперь ясно, почему первой областью, где агенты действительно взлетели, стало программирование. Там всё цифровое, любое изменение можно откатить, а результат проверяется автоматически — тестами. Три условия, которых в большинстве бизнес-процессов просто нет.

Практический вывод простой: не давайте агенту длинный маршрут целиком. Разбивайте его на короткие отрезки с проверкой на стыках — ошибку на границе шага вы исправите за минуту, ошибку в конце придётся исправлять вместе со всей работой. Подробнее об этом — в главе о постановке задач.

Показательно, что эта логика дошла и до уровня государственной политики: в июле 2026 года власти Пекина выпустили пакет мер по развитию ИИ-агентов, где на первое место поставлена не «умность» моделей, а их способность доводить реальную задачу до конца. Формулировка звучит буднично, но за ней стоит именно та арифметика, которую мы только что посчитали.

Что агенту позволено решать

Лестница уровней отвечает на вопрос «как далеко агент уходит без человека». Но есть второй вопрос, и на практике он важнее: что агенту вообще позволено решать. Эти два вопроса постоянно смешивают, а оси разные — и риск живёт на второй.

Самую практичную рамку для второго вопроса я нашёл в неожиданном месте — в китайском регуляторном документе. 8 мая 2026 года три ведомства КНР — Управление по вопросам киберпространства, Госкомитет по развитию и реформам и Министерство промышленности и информатизации — выпустили «Мнения о реализации нормативного применения и инновационного развития интеллектуальных агентов» (智能体规范应用与创新发展实施意见), первый в стране документ, посвящённый целиком агентам. Полный текст опубликован на сайте Управления по вопросам киберпространства КНР. Механику регулирования оттуда переносить некуда: реестры, обязательные стандарты и отзыв продуктов с рынка опираются на административный ресурс, которого в другой стране может не быть. А одна конструкция работает в любой юрисдикции, потому что описывает свойства технологии, а не устройство государства.

Документ требует разделить полномочия агента на три категории.

— Решения, которые принимает только человек. Агент не совершает их ни при каких настройках.

— Решения, требующие подтверждения. Агент готовит, человек утверждает.

— Решения, которые агент принимает сам, — в пределах явно выданных полномочий.

Признак в правой колонке — рабочая подсказка на случай, когда действие не раскладывается по категориям с первой попытки.

Два условия к этой классификации важнее её самой. Первое: исполнение агента не выходит за пределы выданной авторизации. Второе: даже в третьей категории человек сохраняет право знать о действии и вмешаться. Разница между второй и третьей категориями — не в наличии человека, а в моменте: во второй он подтверждает до действия, в третьей может отменить после. Если это различие не провести явно, всё сползает во вторую категорию — и агент перестаёт экономить время, ради которого его заводили.

Звучит очевидно ровно до момента, когда вы попробуете разложить по этим категориям конкретный процесс. «Согласовать платёж до пятидесяти тысяч» — какая это категория? А «отправить письмо клиенту от вашего имени»? А «закрыть задачу в системе»? Упражнение занимает час и снимает большую часть будущих споров. Главное — оно проводится до внедрения, а не после первого инцидента.

Две оси, которые нельзя путать. Уровень автономности и объём полномочий — разные вещи, и смешивать их дорого.

— Уровни L1–L5 измеряют длину автономной цепочки: сколько шагов агент делает без человека.

— Три категории измеряют объём полномочий: что агенту позволено решать.

Компания на L2 — «у нас всего лишь ассистент» — может при этом дать агенту право менять обязательства перед клиентом. Это опаснее, чем L4 в режиме «только чтение». Сам по себе уровень автономности почти ничего не говорит о риске: риск задаётся полномочиями.

Две оси риска: уровень автономности и объём полномочий

Отсюда рабочий дефолт, который дёшев на старте и почти недостроим потом.

И правило поверх этой матрицы: агент не обращается к базе данных напрямую — только через программный слой, где перечисленные правила и живут.

И последнее из того же документа — четыре глагола, которые стоит спросить у любого поставщика: как система обнаруживает некорректное действие агента, как в него вмешивается, как блокирует и как восстанавливает состояние. Нет внятного ответа хотя бы по одному из четырёх — пилот преждевременен.

Из практики

Выбирая архитектуру своего продукта «Сокол», я сознательно остановился на уровне ко-пилота (хотя внутри мультиагентная архитектура), где автоматизация на уровне 70–90%, а не полностью автономного агента: ассистент готовит проекты решений, планы, письма, но подтверждает и конечное действие за человеком. Это управленческий выбор, а не техническое ограничение: цена ошибки в задачах руководителя высока, а доверие к инструменту строится через контролируемую автономию.

Резюме главы

— ИИ классифицируют по задачам (генеративный, классифицирующий, предиктивный) и по «силе» (слабый, сильный, суперсильный).

— Сильный ИИ — не вопрос ближайшего будущего: мешают данные, энергия, деградация и стоимость; реальный путь — слабые специализированные модели под управлением оркестратора.

— «Цифровой штат» пока метафора, но настройка KPI и правил для агентов станет практической задачей; «карьерный рост» агентов зависит от технологий, зрелости бизнеса и готовности к риску.

— Уровень автономности и объём полномочий — разные оси: раскладывайте действия агента на три категории (только человек / с подтверждением / автономно) до внедрения, а не после инцидента.

Что с этим делать: Не стройте планы на «скором AGI»; делайте ставку на специализированные модели, а для агентов закладывайте правила, лимиты ресурсов и эскалацию.

Вопрос для рефлексии: На каком уровне автономности — от ассистента до мультиагента — вы реально готовы эксплуатировать ИИ?

Глава 3. А что может слабый ИИ и общие тренды

Слабый ИИ в прикладных задачах

Как вы уже поняли, я сторонник того, чтобы использовать то, что есть, и с экономической целесообразностью. Возможно, сказывается мой опыт антикризисного управления — или это просто ошибочное мнение. Так где же можно применять текущий слабый ИИ на базе машинного обучения?

Наиболее релевантные направления:

— прогнозирование и подготовка рекомендаций для принятия решений;

— анализ сложных данных без чётких взаимосвязей, в том числе для прогнозирования и принятия решений;

— оптимизация процессов;

— распознавание образов, включая изображения и голосовые записи;

— автоматизация отдельных задач, в том числе через генерацию контента.

На пике популярности в 2023–2024 годах — распознавание образов (изображения и голос) и генерация контента: именно сюда идёт основная масса разработчиков, и таких сервисов больше всего.

Особого внимания заслуживает связка ИИ + IoT (Интернет вещей) + беспроводная связь + облачные вычисления + большие данные:

— ИИ получает чистые большие данные без ошибок человеческого фактора — для обучения и поиска взаимосвязей;

— эффективность IoT повышается: становится возможной предиктивная аналитика и раннее выявление отклонений.

Пример связки больших данных и ИИ — BlackRock, один из крупнейших управляющих активами (около $14 трлн под управлением на конец 2025 года; а на его платформе Aladdin сторонние организации управляют ещё ~$25 трлн активов). Его технологическое ядро — платформа Aladdin: интегрированная система инвестиционного и риск-менеджмента, где ИИ используется для очистки и интерпретации данных, автоматизации аналитических комментариев, персонализированных рекомендаций, а также оценки рисков, ликвидности и сценарного анализа. В кризис 2008 года BlackRock по поручению регуляторов США применяла Aladdin для анализа «токсичных» активов и стресс-тестирования портфелей, что закрепило платформу как отраслевой стандарт. Aladdin — пример рекомендательной системы на базе ИИ.

Ключевые тренды

Ниже — ключевые тренды отрасли. Для удобства они пронумерованы; к некоторым я буду возвращаться в следующих главах.

Тренд 1. Снижение порога входа

Одна из задач, которую сейчас решают разработчики, — упростить создание ИИ-моделей или ИИ-инструментов до уровня конструкторов сайтов, где для базового применения не нужны специальные знания. Дата-сайнс уже развивается по модели «сервис как услуга» (DSaaS, Data Science as a Service). Знакомство с ML можно начать с бесплатных версий AutoML или с DSaaS — с первичным аудитом, консалтингом и разметкой данных (причём разметку часто можно получить бесплатно). А с приходом больших языковых моделей строить аналитику и взаимодействовать с ИИ может практически любой — порог входа стал чрезвычайно низким.

Подтверждение тренда — данные Yandex B2B Tech (2026): 86% пользователей ИИ-агентов в России — малый и средний бизнес, а треть агентов собрана вообще без кода. Предприниматель с командой в пять человек настраивает агента за несколько часов на готовой платформе — для техподдержки, HR-консультаций или подбора недвижимости. Подробный разбор этих данных — в Постскриптуме.

Следствие для бизнеса: управление внедрением важнее самой технологии. Теперь побеждает не тот, у кого мощнее модель или больше бюджет, а тот, кто быстрее и аккуратнее встраивает ИИ в свои процессы. Критично не сама технология, а управление её внедрением — выбор кейсов, регламенты, качество данных и контроль результата.

Миф и Реальность

Миф: «чтобы получить эффект, нужен самый мощный ИИ».

Реальность: 86% пользователей ИИ-агентов — малый и средний бизнес на готовых платформах. Побеждает не размер модели, а управление внедрением: выбор кейса, качество данных, регламенты и контроль результата, психологическая готовность к экспериментам.

Без правил сотрудники создают теневой ИИ-ландшафт (Shadow AI): десятки людей уже используют ChatGPT, Claude и другие сервисы для рабочих задач — без согласования, политики данных и понимания рисков. Запрещать бесполезно; вопрос в том, как направить инициативу в управляемое русло (подробнее о рисках — в Главе 8; об управлении этим на уровне внедрения — в книге «ИИ-2. Практическое руководство», Глава 1).

Тренд 2. Моделям нужно всё меньше данных для обучения

Несколько лет назад, чтобы подделать голос, нейросети требовался час-два записи речи; пару лет назад — несколько минут; а в 2023 году Microsoft представила нейросеть, которой достаточно трёх секунд. Появились и инструменты, меняющие голос даже онлайн. Использование LLM меняет правила игры ещё сильнее: современные модели эффективны в режимах few-shot и zero-shot — когда им показывают пару примеров или просто описывают задачу текстом. Значит, специализированные решения на базе ИИ стали доступны без сбора огромных обучающих массивов.

Для бизнеса это ещё один вывод: чем проще стала «магия», тем важнее информационная безопасность и правовые ограничения ещё до масштабирования. Если раньше подделка голоса требовала часов записи, то теперь — секунд, а значит, риски мошенничества растут опережающими темпами (этому посвящена Глава 8).

Тренд 3. Локальное развёртывание и «оркестр моделей»

Следующее направление — идёт сжатие моделей, чтобы запускать их на менее мощных устройствах — ноутбуках, смартфонах, в автомобилях. Поэтому инвестиции в ИТ-инфраструктуру окупаются надолго: на той же мощности можно развернуть несколько моделей. Кроме того, разработчики создают всё больше инструментов для локального развёртывания.

Оптимизация и сжатие, появление инструментария делают локальное развёртывание практичной альтернативой облаку — особенно там, где критичны конфиденциальность данных, скорость отклика или регуляторные требования, а передовые модели не нужны (например, сложная задача декомпозируется на несколько простых).

Параллельно усиливается архитектура «оркестра моделей»: вместо одной большой универсальной модели — набор компактных специализированных, а над ними ИИ-оркестратор, который декомпозирует запрос и распределяет задачи. Результат сопоставим с гигантскими моделями, но при кратно меньших затратах на инфраструктуру. Как мы обсуждали в Главе 2, именно это — специализированные слабые модели под управлением оркестратора — наиболее реалистичная альтернатива созданию сильного ИИ, и развернуть такую архитектуру можно на уже имеющемся оборудовании.

Тренд 4. Мультимодальность

Мультимодальность перестаёт быть просто технической характеристикой и становится обязательным условием для бизнес-решений нового поколения. Когда модель одновременно обрабатывает текст, аудио, изображения и данные с датчиков, появляются сценарии, невозможные при работе с одним типом данных. Например, инспекция качества продукции, где ИИ сопоставляет показания IoT-датчиков с фотографиями изделия и текстовыми стандартами; или техподдержка, где оператор показывает камерой неисправность, а ИИ по изображению и голосовому описанию определяет проблему и предлагает решение. Именно мультимодальность стала мостом, связывающим ИИ с другими цифровыми технологиями, — об этой связке поговорим в Тренде 6.

Тренд 5. Системы поддержки принятия решений

Ещё одно активное направление — отраслевые прикладные ИИ-решения для принятия решений и в целом направление рекомендательных систем. Тренд усиливается: если раньше ИИ помогал анализировать данные, то теперь даёт рекомендации в контексте конкретной ситуации и с учётом личности пользователя. А в моём продукте я делаю связку ещё и с целями пользователя и организации.

Примеры сценариев, где цифровые советники уже работают или внедряются:

— Управление проектами — проработка документации, прогнозирование рисков, рекомендации по перераспределению ресурсов, выявление отклонений от плана.

— Финансовое планирование — сценарный анализ инвестиций, оценка кредитных рисков, оптимизация портфеля (пример — Aladdin от BlackRock из раздела «Слабый ИИ в прикладных задачах»).

— Операционная деятельность — предиктивное обслуживание оборудования, оптимизация логистических маршрутов, управление запасами.

— Кадровые решения — прогнозирование текучести, рекомендации по развитию компетенций, формирование команд.

Подробнее — в отдельной Главе 9.

Практический пример. Этот кейс мы рассмотрим ещё не раз — это моя личная боль и продукт, над которым я работаю. В проектном управлении есть проблема: около двух третей проектов — проблемные или провальные (Standish CHAOS, анализ 50 000 проектов):

— превышение сроков — в 60% проектов, в среднем на 80% от изначального срока;

— превышение бюджетов — в 57% проектов, в среднем на 60% от бюджета;

— недостижение критериев успеха — в 40% проектов.

При этом — это уже моё наблюдение из общения с руководителями, а не данные исследований — управление проектами и поручениями занимает до половины рабочего времени руководителя, и эта доля продолжает расти. Причина — мир становится изменчивее, проектов всё больше, даже продажи становятся «проектными» — комплексными и индивидуальными. К чему приводит такая статистика? Репутационные потери, штрафные санкции, снижение маржинальности, ограничение роста бизнеса. А самые типовые и критичные ошибки: нечёткие цели, результаты и границы проекта; слабые стратегия и план реализации; неадекватная организационная структура управления; дисбаланс интересов участников; неэффективные коммуникации.

Как это решают люди? Либо ничего не делают и страдают, либо идут учиться и используют трекеры задач. У обоих подходов свои минусы: обучение даёт живое общение и практику, но дорого и обычно без сопровождения после курса; трекеры всегда под рукой, но не адаптируются под конкретный проект и культуру, не развивают компетенции, а служат контролю. Проанализировав свой опыт, я пришёл к идее цифрового советника — ИИ, который за 10 минут даёт предиктивные рекомендации «что сделать, когда и как» для любого проекта и организации. Проектное управление становится доступным любому руководителю условно за пару тысяч рублей в месяц. В модель заложена методология управления проектами и наборы готовых рекомендаций; ИИ постепенно самообучается и находит новые закономерности, а не привязывается к мнению создателя.

Тренд 6. Сочетание ИИ с другими цифровыми технологиями

Как показывает практика — ИИ даёт наибольшую отдачу не изолированно, а в связке с другими технологиями. Это связь ИИ с интернетом вещей (IoT), хранением и обработкой больших данных (Big Data), облачными и периферийными вычислениями, беспроводной связью:

— ИИ + IoT — ИИ получает от датчиков чистые данные без ошибок человеческого фактора, а IoT-инфраструктура получает интеллект для предиктивной аналитики: раннее выявление отклонений, предсказание отказов, оптимизация энергопотребления.

— ИИ + Big Data — большие данные дают материал для обучения и поиска закономерностей, а ИИ превращает массивы в конкретные рекомендации.

— ИИ + облачные/периферийные вычисления — облако даёт масштабируемость для обучения, а edge-вычисления позволяют запускать модели прямо на оборудовании, без задержек и без подключения к сети.

Показательный пример такой связки — China State Railway Group, использующая Big Data, IoT и ИИ для управления железнодорожной сетью, по которой в 2024 году прошло свыше 4 млрд поездок: модели ИИ работают с данными датчиков на пути и подвижном составе и с системами управления движением (подробнее — в Главе 20). Именно эта связка создаёт наибольшую ценность для промышленного и инфраструктурного бизнеса, где ИИ сам по себе был бы ограничен.

Тренд 7. Создание ИИ-продуктов и автоматизация процессов

ИИ перестаёт быть экспериментом и просто моделью или чат-ботом. Он встраивается в продукты и бизнес-процессы. Ключевой сдвиг — от ИИ-ассистентов (отвечают на вопросы) к ИИ-агентам (выполняют задачи автономно) и далее к мультиагентным системам (координируют работу нескольких агентов). Подробно эту эволюцию мы разобрали в Главе 2; здесь отметим её как один из ключевых трендов.

Каждый переход на следующий уровень кратно увеличивает и ценность, и риски — поэтому вопросы безопасности (Глава 8) и системного подхода (Часть 2) критичны при переходе от ассистентов к агентам. Главное правило: не прыгайте через ступеньку. Путь должен быть последовательным: ассистент → ко-пилот → агент → мультиагент. Критерии перехода: качество данных, стабильность процесса, измеримость результата (baseline / KPI), понятная цена ошибки и механизм отката, зрелое управление.

Попытка сразу внедрить автономных агентов без опыта работы с ко-пилотами — одна из самых распространённых и дорогих ошибок. Например, в своём продукте «Сокол» я разложил процессы и встраиваю ИИ в отдельные задачи: решается комплексная задача, при этом всё подконтрольно.

Масштаб тренда подтверждает Gartner: к концу 2026 года 40% корпоративных приложений будут интегрированы с ИИ-агентами под конкретные задачи — против менее чем 5% в 2025-м; к 2035 году агентные технологии могут приносить около $450 млрд, или до 30% выручки рынка корпоративного ПО (Gartner, август 2025).

Тренд 8. Уход от «игры в ИИ» к прикладному применению

Период экспериментов заканчивается. Бизнес всё чаще спрашивает не «как попробовать ИИ?», а «какой возврат инвестиций он принесёт и за какой срок?». По отдельным кейсам из моей практики и публикаций, правильно подобранные и внедрённые решения способны обеспечить ROI x15–20 на горизонте 18 месяцев — но при условии, что:

— выбраны правильные кейсы (не «модные», а реально болезненные для бизнеса);

— обеспечено качество данных;

— зафиксированы baseline и KPI до старта;

— внедрение проведено с учётом процессов, людей и инфраструктуры.

Компании, которые относятся к ИИ как к очередному хайпу («давайте попробуем», без целей и замеров), получают разочарование; те, кто встраивает ИИ в конкретные процессы с конкретными метриками, — измеримый результат. О том, как правильно вести проекты внедрения и считать эффект, мы поговорим в Главе 22, а пошаговая методология (приоритизация, жизненный цикл, расчёт ROI) — в отдельной книге серии «ИИ-2. Практическое руководство».

И что самое важное, ИИ — не отдельная технология, которую можно «прикрутить» к бизнесу. Он работает на стыке стратегии, процессов, данных, людей и инфраструктуры. Без системного подхода внедрение превращается в набор разрозненных экспериментов, которые не масштабируются. Системный подход подразумевает одновременную работу по нескольким направлениям:

— Стратегия — зачем компании ИИ и какие бизнес-задачи он решает.

— Процессы — анализ и подготовка процессов к автоматизации, описание точек интеграции ИИ.

— Данные — качество, доступность и безопасность данных.

— Люди — компетенции, управление сопротивлением, культура работы с ИИ.

— Инфраструктура — вычислительные мощности с учётом требований информационной безопасности.

— Управление изменениями — PR, коммуникация, обучение.

Именно этому посвящена вся вторая часть книги, а развёрнутая методология системного внедрения — в книге «ИИ-2. Практическое руководство». Без проработки каждого направления даже лучший ИИ останется «игрушкой для ИТ-отдела».

Тренд 9. Синергия машин и людей (70/30)

ИИ не заменяет человека. Человек, который умеет работать с ИИ, заменяет того, кто не умеет, — и этот тезис всё больше подтверждается практикой. На горизонте 3–5 лет наиболее реалистична модель, где ИИ берёт на себя 40–70% рутинной и аналитической работы, а человек сосредоточен на решениях, коммуникации, творческих и нестандартных задачах. Даже при 70% автоматизации остаются 30%, критически зависящие от человека, — и именно они определяют качество результата: проверка выводов ИИ, интерпретация в контексте бизнеса, финальные решения, работа с людьми.

По моим наблюдениям — это оценка из практики, а не данные исследований, — 80–90% компаний, пытающихся полностью заменить человека ИИ в сложных процессах, сталкиваются с деградацией качества сервиса / услуг — не потому, что ИИ плох, а потому, что задачи, требующие контекста, эмпатии и здравого смысла, пока вне его возможностей. Тренд не в замене людей, а в новых моделях совместной работы, где сильные стороны ИИ (скорость, обработка данных, масштабируемость) дополняют сильные стороны человека (контекст, суждение, адаптивность).

Миф и Реальность

Миф: «ИИ заменит людей».

Реальность: рабочая модель — 70/30: ИИ забирает рутину, человек отвечает за контекст, ограничения и финальное решение. Попытки полностью убрать человека из сложных процессов, как правило, заканчиваются деградацией качества и возвратом людей.

Роль человека:

— определяет стратегические цели и приоритеты;

— задаёт контекст и ограничения;

— решает задачи, недоступные ИИ (личные коммуникации, договорённости, доработка с учётом ограничений);

— принимает финальное решение и несёт ответственность.

Роль ИИ:

— собирает и структурирует данные;

— выявляет закономерности и тренды;

— предлагает варианты решений с оценкой рисков;

— предсказывает последствия каждого варианта;

— автоматизирует выполнение 40–70% задачи.

Например, «Сокол» при управлении проектами может забрать до 80–90% задач проработки: критерии качества, план реализации, ТЗ, генерация гипотез, приоритизация, рекомендации. Но реализация остаётся за человеком: договорённости, контроль исполнения, устранение сопротивления, решение конфликтов. Тоже самое и в модулях Коммуникации или Решения — ИИ поможет подготовиться к переговорам или проработает разные варианты решений, но общаться и нести ответственность за итоговое решение, реализовывать его, всё равно будет человек.

У синергии есть обратная сторона — деградация навыков (skill atrophy): по данным Уортонской школы бизнеса (Wharton), 43% руководителей предупреждают об ослаблении компетенций сотрудников из-за чрезмерной опоры на ИИ — при том, что 89% считают, что ГенИИ в целом усиливает работу. Ответ здесь управленческий, а не технический: формализовать границу «ИИ помогает — человек отвечает», встроить контроль качества и обучение ИИ-грамотности.

Три слоя рынка ИИ: где чья игра

Завершая разговор о трендах, дам рамку, которая снимает вечный вопрос «догоняем или обгоняем» — его задают и про страны, и про компании. Вопрос имеет смысл, только если все бегут по одной дорожке. А рынок ИИ — это не одна дорожка. Это три слоя с принципиально разной экономикой.

Слой первый — передовые, или фронтирные, фундаментальные модели. Это игра капитала и энергии: счёт идёт на десятки миллиардов долларов, гигаватты подключённой мощности и сотни тысяч ускорителей. Игроков здесь — единицы на весь мир, и список почти не меняется. Конкурировать в этом слое «в лоб» бессмысленно для абсолютного большинства стран и компаний — и это нормально: у Германии нет своей фронтирной модели, и никто не считает немецкое машиностроение отсталым.

Слой второй — прикладные платформы и инструментарий: MLOps, векторные базы, оркестрация агентов, инструменты дообучения. Конкуренция здесь глобальная, и она во многом уже выиграна открытым исходным кодом — у всех сразу. Строить здесь долгосрочное преимущество бессмысленно: вы вкладываете в то, что через полгода станет бесплатным.

Слой третий — доменные вертикальные решения. Дефектоскопия по машинному зрению, предиктивное обслуживание турбины, ассистент технолога, который знает ваш парк станков и вашу оснастку. Здесь выигрывает не тот, у кого больше вычислительных мощностей, а тот, у кого есть три вещи: доступ к данным реального производства, отраслевая инженерная школа и право на эксперимент на действующем объекте.

И главный сдвиг 2024–2026 годов, который мало кто проговаривает вслух: открытые модели обнулили значительную часть барьера входа в базовую модель: по качеству они подошли вплотную к проприетарным, и сама модель перестала быть конкурентным преимуществом. Преимущество переехало — в данные (в само их наличие, которое складывается из промышленной автоматизации и датчиков), в интеграцию с рабочими процессами и в способность доказать эффект.

Для руководителя отсюда два вывода. Первый: не путайте слои. Новости о гонке гигафабрик — это первый слой; к вашему проекту ассистента технолога они почти не имеют отношения. Второй: ваша игра — третий слой. Там технология — это 20% успеха, а 80% — данные, процессы и инженерия. Именно поэтому большая часть этой книги — про них.

Резюме главы

— Порог входа в ИИ резко упал (86% пользователей агентов — малый и средний бизнес, МСБ): побеждает не самая мощная модель, а управление внедрением.

— Без правил растёт теневой ИИ (Shadow AI); ROI x15–20 (оценка по отдельным кейсам) достижим только при правильных кейсах, качестве данных и зафиксированном baseline/KPI.

— Реалистичная модель ближайших лет — синергия 70/30: ИИ берёт рутину и аналитику, человек — решения, контекст и ответственность.

Что с этим делать: Беритесь за реально болезненную задачу, а не за модную, и заранее договоритесь, как будете измерять эффект; введите политику по теневому ИИ. Методику выбора и приоритизации кейсов и расчёта эффекта см. в книге «ИИ-2. Практическое руководство».

Вопрос для рефлексии: Какие 30% в вашей работе должны остаться за человеком?

Глава 4. Генеративный ИИ

Что такое генеративный искусственный интеллект?

Ранее мы рассмотрели ключевые направления применения ИИ:

— прогнозирование и принятие решений;

— анализ сложных данных без чётких взаимосвязей, в том числе для прогнозирования;

— оптимизация процессов;

— распознавание образов, включая изображения и голосовые записи;

— генерация контента.

На пике популярности сейчас — распознавание образов (аудио, видео, числа) и на их основе генерация нового контента по запросу пользователя: аудио, текст, код, видео, изображения. К генеративному ИИ можно отнести и цифровых советников.

Простыми словами

Генеративный ИИ — очень начитанный стажёр: он «прочитал» больше текстов, чем любой человек, пишет быстро и уверенно, но не знает вашего контекста и может уверенно ошибаться. Поэтому результат всегда проверяет руководитель.

Проблемы генеративного ИИ

Экономика лидера рынка — лучшая иллюстрация того, чего стоит эта гонка. В 2022 году OpenAI потеряла на разработке ChatGPT 540 млн долларов, и тогда эта сумма казалась внушительной. К 2026 году масштабы изменились на порядок: при выручке около 25 млрд долларов в годовом выражении (примерно 2 млрд в месяц) компания планирует убыток порядка 14 млрд за год — то есть теряет около 1,2 доллара на каждый заработанный. Собственный прогноз OpenAI ещё честнее: накопленный убыток до 2029 года — порядка 115 млрд долларов, выход в прибыль — где-то в начале 2030-х.

Для понимания структуры затрат: только вычисления для ответов пользователям (инференс) обойдутся в 2026 году примерно в 14 млрд долларов — около 38 млн долларов в день. Для сравнения: в 2023-м поддержание работы ChatGPT оценивали в 700 тысяч долларов в день.

И маленькая деталь, в которой вся суть момента. Несколько лет назад глава OpenAI говорил, что для создания сильного ИИ понадобится порядка 100 млрд долларов. В 2026 году компания ищет 100 млрд — но не на путь к сильному ИИ, а чтобы профинансировать текущую операционную деятельность.

Общий тренд подтверждает и Алексей Водясов, технический директор SEQ: «ИИ не достигает тех маркетинговых результатов, о каких говорили ранее… за хайпом и бумом неизбежно следует спад интереса. ИИ выйдет из фокуса всеобщего внимания так же быстро, как и вошёл… ИИ — это действительно „игрушка для богатых“, и таковой на ближайшее время и останется». Согласен: после шумихи начала 2023 года уже к осени наступило затишье.

Картину дополняет расследование Wall Street Journal: большинство ИТ-гигантов пока не научилось зарабатывать на генеративном ИИ. Microsoft, Google, Adobe и другие ищут способы монетизации:

— Google планирует повысить стоимость подписки на ПО с поддержкой ИИ;

— Adobe вводит ограничения на число обращений к ИИ-сервисам в месяц;

— Microsoft хочет брать с бизнес-клиентов дополнительные 30 долларов в месяц за создание презентаций силами нейросети.

Вишенка на торте — расчёты Дэвида Кана, аналитика Sequoia Capital. Ещё в 2024 году он посчитал: чтобы окупить вложения в ИИ-инфраструктуру, индустрии нужно зарабатывать около 600 млрд долларов в год. Логика простая: берём годовую выручку Nvidia от дата-центров, умножаем на два (оборудование — примерно половина стоимости владения ЦОДом), затем ещё на два — потому что кто-то должен зарабатывать на этих мощностях с нормальной маржой.

К 2026 году эта арифметика стала жёстче на порядок. Nvidia зарабатывает на дата-центрах 193,7 млрд долларов за финансовый год — против 10,3 млрд за квартал в 2023-м, — а один только 2 квартал 2026 года принёс ей 75 млрд. Прогоните эти числа через формулу Кана и получите планку не в 600 млрд, а под триллион годовой выручки, которую индустрия должна где-то найти. Техногиганты закладывают на 2026 год около 725 млрд капитальных вложений, аналитики ждут выхода за триллион в 2027-м, а расхождение между темпами вложений и темпами выручки Allianz Research оценивает в 46% — больше, чем на пике телеком-пузыря 2001 года (32%).

Иными словами, на ИИ по-прежнему уверенно зарабатывает продавец лопат, а не старатели. И это не повод для злорадства, а предупреждение: пузырь такого размера сдувается не тихо. Но именно здесь — граница между «инвесторской» и «вашей» историей. Обвал переоценённых ожиданий и капитализаций почти не затрагивает компанию, которая внедрила ассистента в поддержку и считает эффект в человеко-часах. Разорятся те, кто продавал обещания. А технология, как это было с интернетом после доткомов, останется — и станет дешевле, доступнее и будет приносить пользу.

И вот здесь начинается самое интересное для нас с вами. Пока индустрия тратит триллион, бизнесу выгодно ровно обратное — и рынок это уже понял.

Вычислительные мощности — одна из главных статей расходов: чем больше запросов к серверам, тем больше счета за инфраструктуру и электроэнергию. Поэтому и произошёл разворот к компактным моделям: их развивают все крупные разработчики — Microsoft, Google, Apple, Mistral, Anthropic, — и именно они стали рабочей лошадкой корпоративных внедрений.

Цифры объясняют почему. Большие модели вроде GPT-4 (более триллиона параметров, стоимость создания — десятки миллионов долларов) не дают радикального преимущества в прикладных задачах. Компактные обучаются на узких наборах данных, стоят на порядки дешевле и работают на единицах миллиардов параметров. На практике эксплуатация небольшой модели обходится в 5–20 раз дешевле, чем обращения к флагманской по API: типичный корпоративный сценарий на 10 тысяч запросов в день — это сотни или первые тысячи долларов в месяц против десятков тысяч.

Дальше — интереснее. Компактные модели перестали быть «эконом-вариантом с оговорками». Microsoft Phi-4 на 14 млрд параметров превосходит модели класса 70 млрд в математике и коде; в отраслевых задачах модели на единицы миллиардов параметров обходят гигантов на сотни миллиардов.

Это подтверждают и эксперты, которые считают, что для многих задач — обобщения документов, создания изображений — передовые модели избыточны. Илья Полосухин, один из авторов основополагающей статьи Google 2017 года, в одном из интервью сравнил их использование для простых задач с поездкой за продуктами на танке: «Для вычисления 2 +2 не должны требоваться квадриллионы операций». Но разберём по порядку: почему так сложилось, какие ограничения угрожают ИИ и что будет дальше — закат с новой ИИ-зимой или трансформация?

Метафора Полосухина получила продолжение из мира больших денег. В июле 2026 года Bridgewater Associates — один из крупнейших хедж-фондов мира — и Thinking Machines Lab Миры Мурати опубликовали показательное исследование: специализированная дообученная модель с открытыми весами обошла флагманские универсальные модели OpenAI, Anthropic и Google на шести типовых задачах инвестиционной аналитики — потребляя при этом примерно в 14 раз меньше вычислительных ресурсов. В прикладных задачах специализация бьёт масштаб — и экономика здесь на стороне «оркестра» компактных моделей.

Добавим к этому и результаты исследований ранее, где в рейтинге галлюцинаций компактные модели стоят выше «рассуждающих» флагманов. Секрет не в размере, а в том, на каких данных модель обучена и подо что заточена.

Практический вывод. Начинайте выбор модели не с вопроса «какая самая мощная», а с вопроса «какая самая маленькая из тех, что решают мою задачу». Проверяется это за неделю: возьмите свои двадцать типовых запросов и прогоните через флагманскую и компактную модель. Если разницы в качестве нет, а счёт отличается в десять раз, выбор сделан за вас.

Ограничения ИИ, которые приводят к проблемам

Ранее я привёл «базовые» проблемы ИИ. Теперь уйдём в специфику именно генеративного ИИ.

Беспокойство компаний о своих данных. Любой бизнес стремится охранять корпоративные данные. Отсюда две проблемы. Во-первых, компании запрещают онлайн-инструменты за периметром защищённой сети, а любой запрос к онлайн-боту — это обращение во внешний мир (как хранятся, защищены и используются данные — вопросов много). Во-вторых, это ограничивает развитие любого ИИ: все хотят рекомендаций от обученных моделей (например, предсказание поломки оборудования), но делиться своими данными не готовы. Замкнутый круг. Оговорка: некоторые уже умеют размещать модели уровня GPT-3/3.5 внутри контура компании, но их всё равно надо обучать — это не готовые решения, и службы безопасности найдут риски.

Сложность и дороговизна разработки и содержания. Разработка «общего» генеративного ИИ — это десятки миллионов долларов и очень много данных. КПД нейросетей пока низкий: где человеку хватает 10 примеров, сети нужны тысячи и сотни тысяч (хотя она находит взаимосвязи в массивах, которые человеку не снились). Из-за ограничения по данным тот же ChatGPT лучше «соображает» на английском, чем на русском, — англоязычный сегмент интернета больше. Добавьте электроэнергию, инженеров, обслуживание и модернизацию оборудования — и получите те самые 700 000 долларов в день только на содержание ChatGPT. Снизить затраты можно, убрав всё лишнее, но тогда это будет узкоспециализированный ИИ. Поэтому большинство решений на рынке — по сути «GPT-фантики», надстройки к большим моделям.

Беспокойство общества и ограничения регуляторов. Общество обеспокоено развитием ИИ, а государства не понимают, чего от него ждать. Здесь несколько факторов:

— Влияние. Генеративный ИИ доказал, что создаёт контент, который можно спутать с человеческим (тексты, изображения, научные работы), и за секунды разрабатывает концептуальный дизайн микросхем и шагающих роботов.

— Безопасность. ИИ активно используют злоумышленники: по данным SlashNext (State of Phishing, 2023), за год с момента запуска ChatGPT число фишинговых атак выросло на 1265%.

— Непрозрачность. Как работает ИИ, порой не понимают и сами создатели — для столь масштабной технологии это опасно.

— Зависимость от «учителей». Модели строят и обучают люди; материал для обучения узкоспециализированных моделей тоже отбирают люди.

Всё это означает, что отрасль начнут регулировать и ограничивать. Вспомним и известное письмо марта 2023 года, в котором эксперты потребовали ограничить развитие ИИ. Здесь я только фиксирую барьер; что уже происходит с регулированием и чего ждать дальше — разбираю в Главе 7.

Недостаток модели взаимодействия с чат-ботами. Вероятно, вы уже пробовали общаться с чат-ботами и остались разочарованы: классная игрушка, но что с ней делать? Чат-бот — не эксперт, а система, которая угадывает, что вы хотите услышать, и выдаёт именно это. Чтобы получить пользу, вы сами должны быть экспертом в теме. Но если вы эксперт — нужен ли вам ГИИ? А если нет — решения не получите, только общие ответы. Замкнутый круг: экспертам не нужно, любителям не поможет. Кто тогда заплатит? На выходе — дорогая игрушка.

Кроме экспертности нужно ещё уметь формулировать запрос — таких людей единицы. В какой-то период даже была профессия промпт-инженера (стоимость — около 6000 рублей в час), и то он не мог подобрать идеальный запрос с первого раза (он не обладает предметной экспертизой). Лайфхак: можно попросить ИИ задать наводящие вопросы и на их основе сформулировать идеальный запрос — об этом отдельно поговорим в главе про языковые модели. Нужен ли бизнесу инструмент, делающий его зависимым от очень редких и дорогих специалистов, если обычные сотрудники не извлекут из него пользы? Рынок для обычного чат-бота не просто узкий — он исчезающе мал. Исключения два: чат-бот как вспомогательный функционал к основному (подготовка рекомендаций, аналитических дашбордов, где вы чётко формулируете требования) и применение ИИ в конкретных бизнес-процессах (HR-консультации новых сотрудников, техподдержка, анализ данных).

Некачественный контент и галлюцинации. Нейросети собирают данные и не анализируют факты и их связанность: на что больше в интернете/базе, на то и ориентируются, не оценивая написанное критически. Поэтому ГИИ легко генерирует ложный или некорректный контент, а ИИ-галлюцинации — давно известная особенность.

Хорошо, когда случаи безобидны. Но бывают опасные ошибки. Один пользователь спросил у Gemini, как сделать заправку для салата: по рецепту нужно было добавить чеснок в оливковое масло и оставить при комнатной температуре. Пока чеснок настаивался, появились странные пузырьки; перепроверка показала, что в банке размножались бактерии, вызывающие ботулизм, — отравление токсином протекает тяжело, вплоть до смерти. Я и сам периодически использую ГИИ, и чаще он даёт не совсем корректный, а порой откровенно ошибочный результат: нужно 10–20 запросов с безумной детализацией, чтобы получить что-то вменяемое, что потом всё равно надо дорабатывать. За ним нужно перепроверять, поэтому полностью делегировать задачу ИИ невозможно — он скорее ассистент, чем заменитель. И снова приходим к тому, что нужно быть экспертом, чтобы оценить корректность, — а это порой дольше, чем сделать с нуля самому. Как системно управлять неточностями (галлюцинациями) на уровне внедрения — отдельно разобрано в книге «ИИ-2. Практическое руководство» (Глава 15).

Эмоции, этика и ответственность. Без правильного запроса ГИИ просто воспроизводит информацию, не обращая внимания на эмоции, контекст и тон, — а сбой в коммуникации происходит очень легко, и к проблемам выше добавляются конфликты. Возникают и вопросы авторства и прав собственности на созданный контент: кто отвечает за недостоверные или вредоносные действия, совершённые с помощью ГИИ, и как доказать авторство? Нужны этические стандарты и законодательство.

Что же делать?

Компании не собираются полностью отказываться от больших моделей: Apple использует ChatGPT в Siri для сложных задач, Microsoft — модель OpenAI как ассистента в новой версии Windows. При этом Experian (Ирландия) и Salesforce (США) уже перешли на компактные модели для чат-ботов и обнаружили ту же производительность при значительно меньших затратах и задержках. Ключевое преимущество малых моделей — тонкая настройка под конкретные задачи и данные: по словам Йоава Шохама (AI21 Labs), небольшие модели отвечают всего за одну шестую стоимости больших.

Свежий пример того же сдвига — уже не у стартапов, а у самой Microsoft. В июле 2026 года она вывела в открытое тестирование собственные модели семейства MAI: по её данным, голосовая MAI—Voice-2-Flash в контакт-центрах Dynamics 365 (среди клиентов — T-Mobile и EasyJet) снижает затраты на вычисления до 89% по сравнению с моделями OpenAI, а MAI—Image-2.5 в PowerPoint — до 84%. Цифры стоит читать с поправкой: это заявление вендора, а не независимый замер, и соотношение сильно зависит от объёма запросов, размера модели и того, с каким тарифом идёт сравнение. Но направление показательно: компания, вложившая в OpenAI 13 млрд долларов, строит собственные модели — чтобы не платить за флагман там, где хватает специализированного. Вывод для вас проще, чем для Microsoft: если даже ей невыгодно гонять флагманскую модель на потоковых задачах — распознавании речи в колл-центре или картинках для презентации, — то вам тем более. Флагман берите на сложное рассуждение и разовые задачи, узкую модель — на всё, что повторяется тысячи раз в месяц.

Не спешить. Ожидать заката ИИ не стоит: слишком много вложено за последние 10 лет и слишком велик потенциал. Я рекомендую вспомнить 8-й принцип Дао Toyota (основа бережливого производства и один из инструментов моего системного подхода): «Используй только надёжную, испытанную технологию». Из него — ряд рекомендаций: технологии призваны помогать людям, а не заменять их (часто стоит сначала выполнить процесс вручную); вместо непроверенной технологии лучше использовать отработанный процесс; перед внедрением проводить испытания в реальных условиях; отклонять технологию, идущую вразрез с культурой и угрожающую стабильности; и при этом поощрять поиск новых путей, оперативно внедряя зарекомендовавшие себя решения. Через 5–10 лет генеративные модели станут массовыми, дешёвыми и достаточно умными, выйдут на плато продуктивности, и каждый будет пользоваться результатами ГИИ. Но уповать на ИИ и сокращать людей уже сейчас — явно избыточно.

Повышать эффективность и безопасность. Практически все разработчики сейчас делают модели менее требовательными к количеству и качеству данных и повышают безопасность — ИИ должен генерировать безопасный контент и быть устойчивым к провокациям.

Осваивать ИИ в формате экспериментов и пилотов. Чтобы быть готовым к приходу действительно полезных решений, нужно следить за технологией, пробовать её и формировать компетенции. Как и с цифровизацией: вместо прыжка в дорогие решения — поиграть с бюджетными или бесплатными инструментами. К моменту прихода технологии в массы вы:

— будете понимать, какие требования закладывать в коммерческие решения (а хорошее ТЗ — 50% успеха);

— получите эффекты в краткосрочной перспективе, а значит, и мотивацию идти дальше;

— повысите цифровые компетенции команды, сняв ограничения и сопротивление по техническим причинам;

— исключите неверные ожидания, а значит, и лишние затраты, разочарования и конфликты.

Трансформировать общение пользователя с ИИ. Эту концепцию я закладываю в свой продукт: пользователю нужно давать готовые формы и вести по сценарию, где он просто указывает значения или отмечает пункты, а уже эту форму с корректной обвязкой (промптом) отдавать ИИ. Либо глубоко интегрировать решения в существующие ИТ-инструменты — офисные приложения, браузеры, автоответчики. Но это требует тщательной проработки поведения и запросов пользователя или их стандартизации: либо решение уже не копеечное, либо мы теряем в гибкости.

Разрабатывать узкоспециализированные модели под конкретные процессы. Как и людей, обучать ИИ всему — трудозатратно и малоэффективно. Узкоспециализированные решения на базе движков больших моделей сводят обучение к минимуму, сама модель не слишком большая, контент менее абстрактный и галлюцинаций меньше. Наглядная аналогия — люди: большего успеха добивается не тот, кто знает всё, а тот, кто фокусируется и развивается вглубь. Примеры узкоспециализированных решений:

— советник для управления проектами;

— налоговый консультант;

— советник по бережливому производству;

— чат-бот по производственной безопасности или помощник специалиста;

— чат-бот для ИТ-техподдержки.

По прогнозам Gartner, организации будут внедрять малые модели под конкретные задачи в три раза чаще, чем LLM общего назначения. О «конце гонки LLM» в 2025 году высказался и Гэри Маркус (The New Yorker): «Я не слышу, чтобы многие компании говорили, что модели 2025 года для них намного полезнее моделей 2024 года, даже несмотря на то, что они лучше по контрольным показателям».

Из практики

С галлюцинациями эффективнее бороться архитектурой, а не уговорами модели. В «Соколе» ИИ работает по формализованным сценариям, опирается на данные пользователя (RAG) и показывает, на чём основан вывод; в критичных шагах финальное слово — за человеком. Это дороже и сложнее в разработке (поиск баланса удобства и гибкости), но дешевле, чем разбирать последствия уверенной выдумки.

Резюме главы

Хотя ГИИ пока на стадии развития, потенциал у технологии большой. Да, хайп пройдёт, инвестиции снизятся, появятся вопросы к целесообразности, но технология не уйдёт. Так ещё 16 июня 2024 года Forbes опубликовал статью «Зима искусственного интеллекта: стоит ли ждать падения инвестиций в AI».

В ней — аналитика циклов «зимы» и «лета» ИИ и мнения Марвина Минского и Роджера Шанка, которые ещё в 1984 году на встрече ассоциации AAAI описали механизм-цепную реакцию, ведущую к новой зиме:

— Этап 1. Завышенные ожидания бизнеса и публики не оправдываются.

— Этап 2. СМИ начинают выпускать скептические статьи.

— Этап 3. Агентства и бизнес снижают финансирование исследований.

— Этап 4. Учёные теряют интерес, темп развития замедляется.

Прогноз сбылся: в течение пары лет наступила ИИ-зима, а потеплело лишь в 2010-х. Сейчас мы на очередном пике — он наступил в 2023-м после выхода ChatGPT (поэтому в книге я часто привожу примеры из этой LLM — частный, но очень понятный случай ИИ). Далее статья применяет цикл Минского и Шанка к текущей ситуации.

Этап 1. Ожидания. Революции от ИИ в повседневной жизни пока не случилось: Google так и не трансформировал поиск (Search Generative Experience получил смешанные отзывы); голосовые ассистенты («Алиса», «Маруся») стали лучше, но им вряд ли можно доверить ответственные решения; чат-боты поддержки по-прежнему плохо понимают запрос и раздражают ответами невпопад.

Этап 2. Реакция СМИ. По запросу «AI bubble» поиск выдаёт пессимистичные заголовки: «Пузырь хайпа вокруг ИИ сдувается» (The Washington Post), «От бума до взрыва: пузырь AI движется только в одном направлении» (The Guardian), «Известный экономист предупреждает, что пузырь AI рушится» (Business Insider). Моё мнение: эти статьи недалеки от истины. Рынок перегрет — это факт, и к середине 2026 года он на грани сдутия; ситуация действительно напоминает канун краха доткомов. Но перегрев — в ожиданиях и оценках, а не в полезности технологии: те, кто научился внедрять, уже видят эффекты и растут. Волна хайпа схлынет, многие обанкротятся — и это нормальный этап взросления индустрии: останутся жизнеспособные решения и компании, а массовый рынок наконец научится внедрять. Так было с интернетом после доткомов — так будет и с ИИ (подробнее — в Главе 23 и Постскриптуме).

Этап 3. Финансирование. Несмотря на пессимизм, нельзя сказать, что финансирование снижается: крупнейшие ИТ-компании продолжают вкладывать миллиарды, а ведущие конференции получают рекордное число заявок. Значит, мы сейчас между вторым и третьим этапом перехода к зиме. Но неизбежна ли «зима»? На самом деле нет.

Ключевой аргумент статьи: ИИ слишком глубоко проник в нашу жизнь, чтобы началась новая зима:

— системы распознавания лиц в телефонах и метро используют нейросети для идентификации;

— переводчики вроде Google Translate сильно выросли в качестве, перейдя от классической лингвистики к нейросетям;

— современные системы рекомендаций используют нейросети для моделирования предпочтений.

Особенно ценно мнение, что потенциал слабого ИИ не исчерпан и, несмотря на все проблемы сильного ИИ, он может приносить пользу, — полностью согласен. Следующий шаг развития ГИИ — более новые и лёгкие модели, которым нужно меньше данных для обучения. Нужно лишь набраться терпения и постепенно изучать инструмент, формируя компетенции, чтобы потом использовать его потенциал в полной мере.

Ключевые выводы

— Генеративный ИИ на передовых моделях экономически пока тяжёл, а компактные специализированные модели часто не уступают передовым в прикладных задачах.

— Чат-бот без эксперта не даёт ценности, а галлюцинации требуют перепроверки: ИИ — ассистент, а не заменитель человека.

— Закат технологии не грозит, но и уповать на неё, сокращая людей, преждевременно — нужно осваивать через эксперименты.

Что с этим делать: Пробуйте ИИ лично — на своих задачах, в бесплатных или бюджетных сервисах: это самый дешёвый способ понять технологию. А в компании начинайте с готовых решений — по данным MIT, пилоты на внешнем решении с доработкой под задачу доходят до эксплуатации вдвое чаще собственных разработок, примерно 67% против 33%. Не сокращайте людей под GenAI и вкладывайтесь в хорошее ТЗ.

Вопрос для рефлексии: Какой ваш процесс выиграет от узкой генеративной модели уже сейчас?

Глава 5. Большие языковые модели (LLM)

В середине 2026 года, 9 из 10 ИИ-проектов базируются на больших или средних языковых моделях. Давайте разберёмся в этом направлении.

Феномен LLM

2023 год в истории ИИ можно назвать эпохальным: на рынке появились LLM коммерческого качества, доступные всем. Их особенность в том, что они обучены изначально и предобучены. Порог входа в мир ИИ резко снизился — если раньше требовались команды и обученные люди, то теперь любой из нас может запрашивать аналитику, строить графики, автоматизировать рутину.

Главный бонус — предобученность: это готовые модели, в которые можно загружать массивы данных и работать с ними; их можно подключать к базам данных компании (ниже поговорим про RAG). По сути, ИИ меняет подход к аналитике: в ряде задач можно уйти от построения сложных и дорогих моделей в пользу LLM — для аналитики, отчётов с графиками и консультаций.

Простыми словами

LLM (большая языковая модель) — программа, которая училась на огромной библиотеке текстов и теперь «продолжает» любой текст, угадывая следующее слово. Угадывает настолько хорошо, что получается осмысленный ответ, письмо или план.

Что такое RAG?

Одна из технологий, которая внесла огромные изменения в мир LLM, — RAG. По сути, это «внутренний факт-чекер» для ИИ. Когда мы спрашиваем модель о курсе валют или текущей дате, сама по себе она этого не знает, но может обратиться к внешним источникам и получить актуальные данные. Основные компоненты RAG:

— Retrieval (поиск): ИИ ищет данные в надёжных источниках — базах данных и документах, к которым подключён;

— Augmentation (обогащение): ИИ добавляет найденную информацию к запросу;

— Generation (генерация): ИИ формирует конечный ответ.

То есть сначала ИИ сканирует источники, описывает для себя, о чём каждый из них, а затем использует их для подготовки ответов. Яркий пример — RAG в банке для заполнения кредитной заявки: менеджер обращается к ИИ, идёт запрос в кредитное бюро, параллельно проверяются внутренние данные. Так же и в любом направлении бизнеса — подключение к базам 1С, системе документооборота; самый простой пример — загрузка документов в условный ChatGPT или DeepSeek. Важно: использование RAG и включение в ответ ссылок на источники — одна из механик, позволяющих «проверять» ИИ и снижать уровень галлюцинаций.

Простыми словами

RAG — экзамен с открытой книгой: модель не вспоминает ответ «наизусть», а сначала находит нужную страницу в ваших документах и отвечает по ней. Поэтому качество ответа зависит от порядка в вашей «библиотеке».

Из практики

RAG — рабочая лошадка корпоративных ИИ-решений. В «Соколе» именно RAG позволяет отвечать по проектам и заметкам конкретной компании, а не по «средней температуре интернета». Правило из практики: качество такой системы определяет не модель, а порядок в базе знаний — мусор на входе даёт уверенный мусор на выходе.

Fine-tuning

Ещё один инструмент современных моделей — дообучение (fine-tuning). Например, модели можно «скормить» ваши письма и документы, чтобы она отвечала в принятом у вас стиле. Если интересно глубже, рекомендую статью по QR-коду и ссылке.

Архитектура решений на основе LLM и текстовые инструкции как слой управления качеством на уровне внедрения подробно разобраны в книге «ИИ-2. Практическое руководство» (Глава 15).

Простыми словами

Дообучение (fine-tuning) — курсы повышения квалификации: модель не переучивают с нуля, а «натаскивают» на ваших примерах, чтобы она писала в вашем стиле и знала вашу специфику.

Как работает LLM?

Вся работа современных LLM-систем строится на простом алгоритме.

— Получение запроса. Работа начинается с отправки запроса — промпта.

— Токенизация. Модель разбивает запрос на множество «токенов». Например, «Привет!» может делиться на «привет» и»!». Разные модели токенизируют по-разному, и от этого во многом зависит качество.

— Обработка. Модель обрабатывает токены в сложной математической модели, ища смысловые сочетания (вероятности); здесь же может использоваться RAG для актуальных данных.

— Подготовка ответа. ИИ строит ответ последовательно, предсказывая каждое следующее слово.

Проблема в том, что если модель ошиблась в одном месте, дальше вся логика пойдёт по неверному пути. Поэтому нет смысла переубеждать ИИ — спорить и давить. Либо начните заново, либо задайте открытый вопрос с критерием, который заставит модель пересобрать рассуждение целиком, — об этом в Главе 6.

Ещё одно понятие, которое пригодится вам на практике, — контекстное окно. Это объём информации, который модель «держит в голове» в рамках одного диалога: ваши сообщения, её ответы, загруженные документы и служебные инструкции сервиса. Всё это складывается в одну «оперативную память» разговора.

Размер окна измеряется в токенах — тех самых кусочках слов, на которые модель режет текст. У массовых моделей 2026 года окна — от ста с небольшим тысяч до миллиона токенов. В переводе на житейское: сто тысяч токенов — это порядка двухсот страниц текста, то есть целая книга вроде той, что вы держите в руках. Миллион — небольшая книжная полка. Кажется, что много. Но окно съедают не только ваши реплики: ответы модели обычно длиннее ваших сообщений, а один загруженный отчёт может стоить как половина книги. Плюс добавим сюда внутренние рассуждения модели.

Главный подвох в другом: качество падает задолго до формальной границы. Чем плотнее заполнено окно, тем хуже модель держит нить — она начинает терять середину разговора, путать договорённости, переспрашивать то, что вы уже обсудили. Знакомый эффект «к сотому сообщению ассистент отупел» — это не деградация модели, а переполнение окна. По моему опыту, ориентир такой: заполнили примерно 40% окна — пора переезжать. Перенесите накопленное в файл и начните новый чат. Точную цифру заполнения сервисы обычно не показывают, поэтому проще по признакам: модель переспрашивает, повторяется, путает имена и вводные — значит, порог пройден.

Из практики: схема «чат + файл»

Что делать с переполнением — проще, чем кажется. Два правила. Первое: ведите работу в чате, но периодически сохраняйте главное в документ-якорь — решения, договорённости, наработки, черновики. Второе: как только чат начал деградировать — не боритесь с ним. Открывайте новый и начинайте с файла-якоря: «вот наработки, продолжаем отсюда». Свежий контекст плюс накопленный артефакт всегда сильнее длинного уставшего диалога.

В агентных режимах (Cowork у Anthropic и аналоги у других вендоров) проблема снята архитектурно: агент работает с файлами напрямую, сам актуализирует их по ходу работы, и переписка не забивает его память. Но это история про работу за компьютером. На телефоне вы, как правило, в обычном чате или проекте — и там переезжать в новый чат с файлом-якорем придётся заметно чаще. Принцип один, и он важнее инструмента: истина живёт в артефакте, а не в переписке. Чат — рабочая поверхность, файл — память.

Забегая вперёд: именно так устроен мой дневник из Главы 21 — один чат на месяц, в конце месяца «Снимок», с которого начинается следующий.

Прослеживаемость источника: требование, а не пожелание

Раз мы разобрали RAG и галлюцинации, сформулирую требование, которое обычно относят к техническим деталям, — а оно определяет судьбу решения. Требовать от человека проверять ответы модели, выдавая ему голый текст, бессмысленно. Верификация физически возможна только тогда, когда система показывает, откуда она это взяла: ссылка на конкретный пункт регламента, на конкретный чертёж, на конкретный документ в вашей базе. Не «модель считает», а «основание — вот эти три документа, посмотрите сами».

Ассистент без прослеживаемости источника — это генератор правдоподобия: никакой специалист его не проверит, он просто нажмёт «принять». Модель ошибается уверенно, красиво и в правильном формате — она не подаёт сигнала «здесь я не уверена». Поэтому прослеживаемость источника — обязательный пункт технического задания на любой корпоративный ИИ-инструмент, а не пожелание к дисциплине сотрудников. Прежде чем требовать от людей нового поведения, дайте им инструмент, который делает это поведение возможным. Иначе получите ритуал вместо контроля.

Резюме главы

Если свести правила работы с LLM к сути: модель — мощный, но буквальный исполнитель. Определите цель, дайте контекст и входные данные, задайте формат ответа и ограничения — и всегда проверяйте результат. Полная система постановки задач — структура запроса, готовые шаблоны, техники повышения качества и их экономика — в следующей главе.

Ключевые выводы

— Девять из десяти ИИ-проектов строятся на больших языковых моделях; их сила — в предобученности.

— RAG работает как «факт-чекер» и снижает галлюцинации, Fine-tuning подстраивает модель под ваш стиль и данные.

— Ошибка LLM на одном шаге ломает всю цепочку рассуждений — спорить с моделью бессмысленно: начните заново или пересоберите рассуждение открытым вопросом (Глава 6).

Что с этим делать: Для корпоративных задач подключайте LLM к своим данным через RAG и не стройте критичные процессы на «голом» чате.

Вопрос для рефлексии: Какие ваши базы знаний и документы стоит подключить к LLM через RAG?

Глава 6. Промпт-инжиниринг: дисциплина постановки задач для ИИ

Промпт как управленческий инструмент

Большие языковые модели создают иллюзию простого диалога: кажется, что с ними можно разговаривать так же свободно, как с человеком. Это правда лишь отчасти. Качество ответа очень сильно зависит от формулировки запроса: один и тот же инструмент может дать практичный рабочий материал или красивый, но бесполезный текст.

Вокруг prompt engineering долго было много мифов — специальные символы, секретные формулы, «магические» слова. Для большинства рабочих задач всё это не нужно. Разница между слабым и сильным запросом не в хитростях, а в том, что у модели есть роль, контекст, цель, входные данные, формат, ограничения и критерий хорошего результата. Поэтому создание инструкций — это не второстепенная техника для энтузиастов, а управленческий инструмент: по сути, дисциплина постановки задач, перенесённая на работу с машиной.

В корпоративной среде важно исходить из простого принципа: чем выше цена ошибки, тем более формализованной должна быть инструкция. Для черновых идей допустим свободный стиль; для аналитики, писем, проектной документации, договорной работы и управленческих решений нужна структурированная постановка задачи.

Базовая структура запроса

Для большинства практических задач достаточно простой формулы:

РОЛЬ — КОНТЕКСТ — ЗАДАЧА — ВХОДНЫЕ ДАННЫЕ — ФОРМАТ — ОГРАНИЧЕНИЯ — КРИТЕРИЙ ХОРОШЕГО РЕЗУЛЬТАТА

Структура удобна тем, что подходит и для простого общения с чат-ботом, и для проектирования корпоративных ассистентов. Базовые правила хорошего запроса:

— Начинайте с конкретной цели. Не «расскажи про маркетинг», а «предложи 10 тем для публикаций о промышленной автоматизации для директоров заводов».

— Давайте контекст. Кто вы, для кого нужен ответ, в какой ситуации он будет использоваться.

— Передавайте входные данные. Документ, таблица, выдержка из переписки, описание процесса — всё это резко повышает предметность ответа.

— Сразу задавайте формат ответа. Таблица, список шагов, письмо, записка, сценарий разговора, структура слайдов.

— Фиксируйте ограничения и критерии качества. Сроки, бюджет, стиль, запрет на определённые формулировки, признаки хорошего результата.

— Разделяйте сложные задачи. Если нужно и придумать идею, и оценить риски, и составить план — делайте это последовательными запросами.

— Просите модель задавать уточняющие вопросы, если данных недостаточно. Особенно полезно, когда вы сами ещё не сформулировали задачу.

— Не доверяйте первому ответу без проверки. Даже сильный запрос не отменяет галлюцинации и ошибки логики.

Пример «до и после». Слабый запрос: «Напиши про наш продукт» — общие рассуждения без конкретики, 3–5 итераций доработки. Сильный запрос: «Ты — маркетолог с 10-летним опытом в B2B-продажах. Контекст: наш продукт — облачная CRM для малого бизнеса (10–50 сотрудников); аудитория — собственники и директора, уставшие от Excel; преимущество — запуск за 1 день. Задача: описание продукта для главной страницы лендинга. Формат: 3 абзаца по 50–70 слов — проблема клиента, решение, конкретная выгода. Тон: профессиональный, языком выгод, с цифрами. Ограничения: НЕ упоминай конкурентов, НЕ используй избитые фразы („инновационный“, „лучший на рынке“)». Результат — текст с чёткой структурой, по брендбуку, готовый к использованию почти без доработки. По моему опыту, такая постановка даёт прирост качества на 30–50% и экономит несколько итераций.

Точность термина: почему слово решает

Есть находка из нашей практики, которую вижу постоянно: модель крайне чувствительна к терминам. Не к вежливости и не к длине запроса — к точности профессионального слова.

Механика простая. Модель училась на текстах, где термины живут в своём окружении: рядом с «дефектоскопией» стоят методы контроля, нормативы и типы дефектов, а рядом с «проверить деталь» — что угодно, от ОТК до бытовых советов. Правильный термин работает как ключ: модель сразу попадает в нужный пласт и в нужный контекст. Причина глубже, чем кажется: модель училась на живых текстах людей, поэтому «думает» нашими ассоциациями — в ней устоялись те же связи между словами, что и у нас в голове, а оттуда идёт в наши документы и весь контент. Назовёте вещь профессиональным именем — попадёте в нужную ассоциацию сразу.

Эффект двойной. Качество: с точным термином ответ профессионален с первого раза, без раскачки и доработок. Экономика: не нужны длинные пояснения «что я имею в виду» и десятки итерации уточнений — это меньше токенов и меньше денег. А вот ошибка в термине опаснее, чем кажется: модель уверенно решит соседнюю задачу, и заметите вы это не сразу.

Пример из практики. «Проверь эту деталь на проблемы» — модель начнёт рассуждать обо всём сразу: от геометрии до логистики. «Проведи FMEA-анализ детали: виды отказов, причины, последствия, критичность» — и вы получаете структурированный разбор в принятой инженерной логике, короче и по делу. Слов в запросе почти столько же, результат — несопоставим.

То же справедливо для системных промптов корпоративных ассистентов: один точный термин в описании роли меняет поведение ассистента сильнее, чем абзац общих указаний.