

Взгляд осторожного реалиста: где заканчиваются спекуляции и начинается повторяемая рентабельность инвестиций – и как оценить вашу готовность к гибридному интеллекту.
Сейчас вокруг ИИ царит настоящее безумие. Все пытаются поймать волну, и да – есть пузырь. Менталитет золотой лихорадки провоцирует злоупотребления и сокращения. Вопрос не в том, есть ли эта пена, а в том, что останется после того, как она лопнет: это очередной пузырь доткомов? Или это современная тюльпаномания, которая может еще больше потрясти экономику и деловую культуру – если не общественные нормы.
Свежая поучительная история: Deloitte согласилась частично возместить средства правительству Австралии после того, как в отчете на сумму 440 000 австралийских долларов были обнаружены сфабрикованные цитаты и другие ошибки. Позже фирма признала, что при составлении использовались инструменты GenAI (Azure OpenAI / GPT-4o). Отличное напоминание о том, что без надлежащей проверки и контроля с участием человека «умные» инструменты становятся репутационными рисками.
«Зеленый камуфляж» (Greenwashing) уступил место «отмыванию ИИ» (AI washing) – завышенным или вводящим в заблуждение заявлениям об использовании ИИ. Регуляторы пытаются взять это под контроль: Комиссия по ценным бумагам и биржам США (U.S. SEC) уже возбудила дела о ложных заявлениях об ИИ и нарушениях в маркетинге.
Параллельно расходы предприятий продолжают расти: IDC ожидает, что мировые расходы на ИИ достигнут примерно $632 млрд к 2028 году. Это не хайповые публикации – это бюджетные статьи.
Масштабы трудно игнорировать. В последние месяцы, согласно отчетам, OpenAI оценивается почти в полтриллиона долларов, а также сообщается о партнерствах на триллионные суммы с облачными и чиповыми компаниями. Это включает планы по созданию дата-центров мощностью 10 гигаватт, многолетние облачные обязательства и слухи о программе «Звездные врата», которая больше похожа на энергетический проект, чем на обновление ИТ. Сопоставьте это с сегодняшней выручкой (на порядки меньшей), и вы получите диссонанс, который заставляет людей кричать «пузырь».
И все же это не только воздух. Ведущая когорта компаний, ориентированных на ИИ, уже фиксирует значительную годовую выручку (ARR). Выручка OpenAI в середине 2025 года реальна (миллиарды, а не миллионы). Молодые стартапы достигают ранних порогов выручки быстрее, чем это делал классический SaaS. Под капотом кривые соотношения возможностей и цены продолжают изгибаться: один и тот же бюджет покупает больше производительности каждые несколько месяцев, даже если задержка и надбавки за длинный контекст усложняют картину. Вот почему серьезные покупатели продолжают тратить; экономика единицы продукции улучшается по мере того, как вы измеряете работу. Тем не менее, ожидания и капитальные затраты явно опережают текущую отчетность о прибылях и убытках.
Оба лагеря признают перегрев. Создатели и инвесторы используют слово «пузырь» без колебаний. MarketWatch оценивает его как «в 17 раз больше пузыря доткомов». Другие утверждают, что многие промышленные пузыри оставили после себя полезную инфраструктуру. Регуляторы добавляют трезвую ноту – предупреждая, что энтузиазм может опережать фундаментальные показатели и быстро схлынуть.
Долгосрочная ценность не рождается из демонстраций. Простое правило сохраняет свою актуальность после каждого цикла ажиотажа: если рабочий процесс оставляет доказательства, экономит измеримое время и может быть воспроизведен, он выживает. Если его нельзя измерить или проверить, это был маркетинг. Три модели, похоже, будут устойчивыми.
Агентские рабочие процессы.
Агенты будут выполнять основную работу – собирать, преобразовывать, предлагать – а затем останавливаться для принятия человеческого решения там, где есть риск. Важно, что они оставляют след, который можно повторно запустить: входные данные, шаги, выходные данные и утверждения. И когда агенты подключены к системам, которые двигают компанию – задачи, тикетинг, коммуникации, CRM – их выход становится изменением состояния, а не очередным чатом. Это те агенты, за которых рынки продолжают платить.

RAG (генерация с дополненной выборкой) на частных данных.
Модели, которые выживут, будут показывать свою работу. Генерация с дополненной выборкой (RAG) позволяет системе отвечать на основе утвержденных источников и цитировать их. На практике это означает чистую, собственную библиотеку документов, четкие правила доступа и регулярные обновления, чтобы материал оставался актуальным. Сочетайте это с регулярными проверками точности и простыми ограничителями – объяснением, откуда получен ответ и что модель не может сделать – и вы получите то, что нравится как инвесторам, так и регуляторам: проверяемые и воспроизводимые ответы.
Оркестрация и телеметрия.
Победители будут меньше похожи на чат-ботов и больше на сервисы, которые можно запускать. Это означает сквозные трассировки, стоимость и задержку на каждый ответ, версионированные промпты и политики, а также четкую ответственность того, кто отвечает за сбои – все это поддерживается дашбордами, оповещениями и посмертными анализами. Добавьте интеллектуальную маршрутизацию и кэширование, чтобы простые вопросы использовали более дешевые модели, а общие ответы не пересчитывались. Когда приходят счета, только инструментально оснащенные системы проходят отбор.
Интерфейсы будут иметь значение – но не так, как обещают презентации. Голос сегодня полезен для записи и работы без рук, но он все еще медленнее и запутаннее, чем структурированный ввод – это опция, а не основа.
2025–2026: спад ажиотажа.
Эра оберток теряет обороты. Похожие приложения, которые вызывают пограничную модель плюс пару инструментов, угасают, поскольку покупатели задаются вопросом, меняют ли выходные данные состояние в основных системах. Тонкие обертки уступают место продуктам с оркестрацией, управлением данными и следами доказательств.
Стремительный рост API/AgentKit продолжается – все больше продуктов будут предлагать простые способы для агентов действовать ((API – вход в продукт; агентский набор – стартовые инструменты для использования агентами; при написании с заглавной буквы – бренд OpenAI)). Но бенефициары меняются: к 2026 году победители будут меньше похожи на чаты и больше на сервисы с основой. Самопроверка становится стандартом: распространяются рекурсивные промпты и многоагентные паттерны, когда модели критикуют свои собственные выходные данные или перепроверяют их с помощью инструментов – повышая надежность, не замедляя людей до минимума.
Инференс в среднем становится дешевле – но неравномерно для разных задач; длинный контекст и работа в реальном времени остаются дорогими. Наступают два практических изменения:
— Периферия оживает: всплеск использования IoT и легкой робототехники (инспекция, сбор и упаковка, обслуживание объектов), выполняющих простые замкнутые циклы.
— Притяжение протоколов: команды устают от индивидуальных «костылей»; появляются стандарты взаимодействия для того, как модели вызывают инструменты, передают состояние и передают управление человеку.
Некоторые известные бренды спотыкаются; туристы уходят. Выжившие используют инструментально оснащенные конвейеры с измеримой окупаемостью. Появляются группы по внедрению ИИ-агентов в узких областях – создающие сквозные рабочие процессы (подготовка данных → черновик → проверка → файл) под контролем человека – полезные там, где правила строги, а изменчивость низка. Инвесторы переориентируются на совокупное повышение эффективности – оптимизаторы, планировщики, квантование/дистилляция и сжатие памяти, которые дают небольшие, но надежные приросты в стоимости/задержке.
2026–2027: медленная S-образная кривая.
Стеки стабилизируются; история переходит от демонстраций к скучной утилитарности – во многом как DevOps + облако в 2010-х, когда эксперименты уступили место конвейерам, SLA и дашбордам затрат. Компании создают внутренние библиотеки инструментов/знаний; закупки требуют оценочных карт, происхождения и вендоро-нейтральных планов. Консолидация протоколов ускоряется: общие способы описания задач, учетных данных и правил безопасности позволяют агентам подключаться к CRM, ERP и производственным системам без индивидуальной настройки. Капитал предпочитает команды, которые улучшают метрики по краям (время принятия решения, $/ответ, успех@K (доля правильных результатов в топ-K)) и доказывают свою масштабируемость.
К 2028 году: сдвиг в инфраструктуре.
Структура рынка раздваивается:
— Концентрация высшего эшелона: несколько ведущих ИИ-компаний формируют суперконгломераты вокруг вычислений, данных и (в некоторых случаях) квантовых технологий – владея самыми тяжелыми слоями капитальных затрат.
— Жизнеспособные победители среди средних/малых предприятий: ИИ-специалисты, использующие дисциплинированные, безошибочные реализации в конкретных рабочих процессах – где доказательства, повторяемость и экономика единицы очевидны. Покупатели предпочитают системы, которые с первого взгляда демонстрируют возможность аудита; в чувствительных секторах суверенные/локальные развертывания становятся рутинными требованиями.
ИИ отходит на задний план платформы – это опция, как хранилище или очереди, а не проект. Бюджеты направляются на операции и контроль: SLA, телеметрию, реагирование на инциденты, обеспечение соблюдения политик.
1) Провалы доверия (быстрые убийцы).
Чрезмерное доверие к моделям, недостаточная проверка результатов и «отмывание ИИ» быстро подрывают доверие. Одна публичная ошибка или вводящее в заблуждение заявление может закрыть двери с клиентами и регуляторами. Смягчение: человеческие контрольные точки для рискованных действий, доказательства/ссылки по умолчанию, раскрытие информации на простом языке.
2) Раскрытие данных и безопасность.
Утечки контекста через логи, кэши или инъекции промптов; неаккуратные соединения API; неясное хранение данных. Одиночная утечка может быть экзистенциальной. Смягчение: доступ с минимальными привилегиями, изоляция контекста, «красные команды», гигиена секретов, четкие политики хранения данных.
3) Крах юнит-экономики.
Невидимые затраты на наблюдаемость, оценки и переработку раздуваются; сценарии использования с длинным контекстом и в реальном времени резко увеличивают расходы; задержка не соответствует SLA. Смягчение: стоимость/задержка на каждый ответ на дашбордах, маршрутизация и кэширование моделей, ограниченные контексты, аварийные выключатели для неуправляемых задач.
4) Привязка к поставщику и хрупкость.
Чрезмерная зависимость от одной модели/поставщика оставляет вас уязвимыми к сбоям, изменениям политики или ценовым колебаниям. Смягчение: многомодельная абстракция, экспортируемые промпты/оценки, условия выхода из контракта.
5) Соблюдение норм и ответственность.
Отраслевые правила (PII (персонально идентифицируемая информация), интеллектуальная собственность, возможность аудита) плюс внимание регуляторов к вводящим в заблуждение заявлениям. Смягчение: картирование потоков данных, аудиторские следы, документированные оценки, одобрение юриста по маркетинговым формулировкам.
6) Структурные узкие места.
Электроэнергия, чипы и чистые данные могут ограничивать рост или блокировать капитальные затраты по мере смены поколений технологий. Смягчение: поэтапные планы мощностей, управление данными и консервативные пороги рентабельности инвестиций для крупных строек.
Это происходит, с нашего разрешения или без него. Машины возьмут на себя гораздо больше работы – на порядки больше, чем уже взяли. Это не означает противостояние человека и машины в какой-либо реалистичной среднесрочной перспективе. Это означает, что наши решения, проекты и услуги будут все чаще создаваться гибридами: людьми, моделями и системами данных, работающими как единое целое.
Представьте гибридный интеллект как облако общего познания. Алгоритмы обеспечивают скорость и запоминание; люди добавляют суждения, ценности и контекст; корпоративные системы предоставляют записи; правительства устанавливают правила – модно поздно. Организации, которые остаются подключенными к этой структуре – где гибридный интеллект может читать правильные источники, действовать в правильных системах и показывать свою работу – просто будут двигаться быстрее и совершать меньше избегаемых ошибок. Мы также ожидаем, что агентские ИИ-системы будут выполнять полный научно-исследовательский цикл – от предложения гипотез и разработки экспериментов до проведения анализов и подготовки отчетов – в то время как главный исследователь-человек будет направлять их на правильные вопросы.
Гибридный интеллект – это разделение труда. Те, кто останется отключенным, будут чувствовать себя медленно – как мул на шоссе: более длительное время принятия решений, более слабые клиентские пути, хрупкие операции. Форма, которая сохранится после пузыря, проста: пусть модели делают то, что у них хорошо получается, оставляйте людей там, где важно суждение, и связывайте их через системы, которые сохраняют доказательства.
В обозримом будущем интерфейсы уплотнят эту ткань. Носимые устройства и окружающий звук превратят встречи и полевые работы в полезный контекст; легкие подсказки будут находиться внутри инструментов, где уже происходит работа. На горизонте нейронные интерфейсы могут открыть высокоскоростное соединение между системами ИИ и человеческим намерением.

Работайте вместе, с самого начала.
Начните с создания смешанных команд – людей и агентов в одном цикле. Попросите ИИ провести исследование – затем перепроверить себя и команду. Учите людей сотрудничать с ИИ, учиться у него и обучать его (парные операции, руководства).
Будьте внимательны к моделям, правилам и ценам.
Отслеживайте основные обновления моделей и регуляторные изменения (местные правила конфиденциальности и отраслевые нормы). Следите за ценами, чтобы не перерасходовать средства на токены и контекст. Простая привычка: ежемесячный одностраничный отчет с «что изменилось», изменениями стоимости и влиянием на ваши рабочие процессы.
Практикуйте гигиену данных.
Инвентаризируйте и утверждайте свои источники. Определите, какие из них являются «золотыми», кто их поддерживает и как часто они обновляются. Удаляйте или маскируйте PII (персонально идентифицируемую информацию). Установите правила хранения. Контролируйте кэши и временные слои, чтобы конфиденциальный контекст не просачивался в журналы.
Включите человека в процесс принятия решений.
Определите контрольные точки, роли и протоколы эскалации для высокорисковых шагов. Сделайте утверждения частью артефакта (кто подписал, когда, на основании каких доказательств).
Проводите аудит доступа и добавляйте телеметрию.
Если вы не можете это увидеть, вы не сможете это масштабировать. Знайте ход работы. Узнайте, кто может читать/записывать какие источники, что регистрируется и кто утвердил. Внедрите сквозные трассировки. Отслеживайте версии моделей, потребление токенов и задержку на каждый ответ.
Выберите свой след: облачный или суверенный.
Там, где это требуется политикой или клиентскими контрактами, планируйте локальные развертывания. В противном случае четко объясните, почему облако приемлемо и как вы выйдете из него при необходимости.
Сдвиг уже заметен в инструментах, которые находятся рядом с работой, а не вне ее. Типичная схема:
Эти принципы уже формируют новый класс платформ для совместной работы.
BridgeApp – одна из них, построенная на этих принципах. Агенты там не болтают ради развлечения: ИИ обрабатывает рутинные задачи, решения принимаются быстрее, передач меньше, а логика наблюдаема. Вы можете показать результаты аудиторам, клиентам и своей собственной команде.
Посмотрите, как BridgeApp может привести к реальным изменениям в вашем бизнесе.