Искусственный интеллект. С неба на землю

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.

AI industry needs to earn $600 billion per year to pay for massive hardware spend — fears of an AI bubble intensify in wake of Sequoia report

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.