Большие Данные, ИИ 2026

Автор: Администратор

Миростроительство Категория: Наука и технологии. Тренды

Страница 28 из 29

06.01.2026 В каком направлении будет двигаться ИИ в 2026 году?

Картинка с сайта tproger.ru (Посты, похоже, генерятся чатботами. Для чтения чатботами).

1.

Ох, не люблю я слово прогноз (прогнозирование – как конструктивный процесс давно дискредитировано и «опорочено» доморощенными прогнозистами и прохиндеями), пусть это будет некое проецирование наиболее вероятных векторов развития.

Ниже мои концептуальные зарисовки на основе многолетнего крайне плотного изучения индустрии.

▪️Первое и самое важное, что следует выделить – период масштабирования LLMs уже закончен, по крайней мере, 90% когнитивной глубины достигнуто. Как это понимать?

Ощутимо и значимо умнее, чем сейчас, – модели уже не станут, но глупее – могут стать из-за эффекта заражения, когда обучение будет идти на основе синтетических данных (я подробно описывал этот процесс в сериях материалов по ИИ в прошлом году).

▪️Развитие LLMs будет идти через наращивание инструментария по специфическим коммерческим или государственным задачам и проектам в основном по агентским направлениям.

▪️Однако, универсальные автономные агенты – это во многом профанация. Для того, чтобы ИИ агенты были функциональными и надежными, должен быть вшит внутренний верификатор результатов и понимание истинности, правильности пути решения задачи для непрерывной самокоррекции и оптимизации траектории решения.

Этого нет в LLMs и быть не может (архитектурные ограничения в 2025 подробно описывал). Чрезвычайно много ограничений, в том числе в рамках контекстного окна и стабильности удержания памяти и внимания на всем диапазоне контекстного окна без сваливания в галлюцинации.

ИИ агенты обязательно выдадут результат, но этот результат часто будет далек от правильного, а о надежности даже речи не идет. На каждой итерации ИИ-агентов необходимо контролировать, но затраты на иерархический и многовекторный контроль могут превышать потенциальную выгоду от использования ИИ-агентов.

На текущем уровне технологической зрелости, до широкого внедрения ИИ-агентов еще далеко.

▪️Заземление ИИ. 2026 будет годом внедрения прототипов «физического ИИ», связанного с робототехникой и автоматизированными комплексами на складах, в логистике и на производстве. До коммерческого применения еще далеко, но следите за этими новостями. Понятие «физического ИИ» должно стать мейнстримом в конце 2026.

▪️2026 станет годом первой фазы макроэкономически значимой интеграции ИИ (LLMs) в бизнес-проекты, но этот путь не будет линейным, не будет непрерывным (скорее сильно неравномерным) и не будет однозначно успешным (скорее вызовет множество противоречивых фидбэков) из-за уязвимостей ИИ-агентов.

В одних сценариях (их много) LLMs могут быть крайне эффективны и полезны, а в других сценариях (их намного больше) могут быть убийственно ненадежным и опасными с точки зрения деградации производственного процесса из-за накопления критических ошибок и галлюцинаций.

▪️Вновь никакой монетизации. В 2026 будет очередная волна безумных инвестиций в ИИ инфраструктуру (вероятно, даже больше, чем в рекордном 2025, где бигтехи освоили около 400 млрд) и как уже было на протяжении последних трех лет – ИТ компании вновь будут «ехидно закатывать глаза», скрывая реальные показатели. Однако, то что было забавным в первые пару лет (игры в прятки с инвесторами), будет вызвать отторжение на четвертом году. Никакой монетизации, как не было, так и не будет.

▪️Регуляторы начнут обрезать «крылья» ИТ компаниям в попытке создать четкие границы глубины внедрения и функциональной интеграции. Этот процесс абсолютно неизбежный (любая новая технология обрастает бюрократией и ограничениями), что значительно затруднит процесс внедрения инноваций, особенно среди стартапов

▪️ИИ мошенничество выйдет на новые невиданные и неизведанные эшелоны. Никто не может так «забористо» и достоверно врать, как ИИ (вне конкуренции с человеком), что при наслоении имитации голоса, аватаров (синтетический образ реального человека с похожей мимикой и поведением) создадут огромное пространство для мошенничества.

▪️Эксперименты с мультимодальностями (графика, видео, аудио, текст) могут выдать интересные сценарии применения для LLMs в реальном мире.

2.

Не претендую на истину в последней инстанции, скорее как гипотетические наброски наиболее вероятных сценариев в 2026 году для последующей более углубленной проработки.

▪️Одним из основных трендов станет переход от «крутости в бенчмарках» к стоимости выполнения конкретной задачи.

Бенчмарки сейчас все меньше отражают реальность (компании целенаправленно «надрачивают» свои LLMs на конкретные пресеты бенчмарков, чтобы вызвать первую волну медиа-хайпа, который во много определяет первичный успех релиза/анонса LLM).

Теперь все определяет, способна ли LLM решать конкретные задачи, насколько надежно и устойчиво решение (при множественном прогоне какой процент правильных ответов и разброс результатов) и что не менее важно – какая цена решения, хотя и в некоторых сценариях скорость выполнения также будет иметь значение.

▪️Это актуализирует генеральный тренд всех ведущих разработчиков LLMs – минимизация ошибок, снижение галлюцинаций, увеличение стабильности, точности, предсказуемости и устойчивости на всем диапазоне контекстного окна.

Когнитивная глубина не имеет значения, если модель галлюцинирует в половине ответов на широком контекстном окне.

▪️Внешняя интеграция, подключение внешних источников данных и валидаторов. Строго обязательное условие для любого корпоративного проекта, иначе LLMs превращаются в примитивную и изолированную от внешнего мира песочницу.

Те компании, которые сделают стабильный и надежный шлюз к внешним базам данных, получает преимущество.

▪️Появление многоуровневых комбайнов для оркестрации ИИ-сервисами. Не существует универсального ИИ-агента, нет универсального чатбота под любые задачи – каждая LLM имеет свои плюс и минусы.

Важным навыком для оператора или программиста станет оркестрация, своеобразное динамическое комбинирование различными ИИ-сервисами, вычленяя сильные стороны в каждой модели под конкретную задачу.

Проекты типа Make или n8n получат развитие, обрастая функционалом и конкурентами.

Программист 2026 года – это дирижер, который настраивает баланс между точностью модели А, скоростью модели Б и стоимостью модели В.

▪️Дефицит энергии и физической инфраструктуры помешает экспоненциально масштабировать мощность ИИ фабрик. Энергия – слабое звено всей схемы, дефициты по всему остальному можно закрыть с разумным люфтом.

▪️Китай вмешается в битву за лидерство в ИИ с непредсказуемыми последствиями. Вероятно, 2025 был последним годом, когда США доминировали почти по всем фронтам, хотя в сегменте видео-генерации (спорно), но в 2026 закрепить лидерство станет сложнее.

▪️Обострение конкуренции не даст бигтехам достичь порога окупаемости. Вообще, тренд на разочарование ИИ в контексте отдачи по инвестициям – станет доминирующим в 2026, дойдет даже до совсем тупых.

Высокоскоростная миграция клиентов от одного ИИ-сервиса к другому (это вам не экосистема Apple) не позволит закрепить и монетизировать клиентскую базу. Все это накладывается на фантастические по меркам реальной экономики инвестиции в капитальные расходы и невероятной неэффективности LLMs с экономической точки зрения (слишком много усилий в чрезвычайно низкий прирост эффективности).

▪️Нет никакой логической связи между «крутостью» LLMs и ростом производительности труда, прямой монетизацией и увеличением темпов экономического роста. Вообще нет никакой связи. Локальные успехи и рост эффективности – безусловно, но на макроуровне возможен даже интегрально негативный эффект. Об этом в других материалах.

2026 год станет временем, когда ИИ превратится из «цифрового божества» в «высокотехнологичную коммунальную услугу» со всеми вытекающими последствиями: бюрократией, низкой маржой и жесткой борьбой за эффективность и попыткой отбить сотни миллиардов инвестиций (к сожалению, для ИИ компаний – безуспешно).

3. Препятствия для внедрения ИИ-агентов в бизнесе и науке

Крупнейшие бигтехи конфигурируют свои ИИ подразделения на разработку, адаптацию и внедрение ИИ-агентов в массовое использование.

Что такое ИИ-агенты? Это прокаченные программные скрипты с использованием ИИ, способные планировать, выбирать действия, вызывать инструменты и в идеале иметь контуры контроля (внутренние корпоративные политики безопасности, аудит, верификация, прерывание и т.д.)

Типов ИИ-агентов много, но можно выделить в три базовые группы:

- Узкоспециализированные агенты, которые работают в рамках одного инструмента и задачи, имеют жесткие инструкции и ограниченное пространство действий. Например, агент по сортировке писем клиентов и группировке по претензиям или агент по отбору резюме в отделе кадров.

- Автономные агенты: ИИ-системы, способные самостоятельно декомпозировать высокоуровневую цель («подготовь отчет по конкурентам, выделяя сильные и слабые стороны») на подзадачи, выбирать инструменты и выполнять их циклично. Подходят для научно-исследовательских проектов.

- Мультиагентные системы: оркестрация группы специализированных ИИ агентов. Один агент выступает «менеджером», другие – исполнителями (код, поиск, анализ).

По уровню автономности можно выделить:

• Запрос-действия в режиме чат-бота (нулевая автоматизация), в роли экспертной системы;

• Агент делает шаги, но ключевые действия требуют подтверждения;

• Агент действует сам, человек мониторит и вмешивается по триггерам;

• Агент сам действует в пределах прав (на практике почти всегда проблемно.

По типу среды:

• Цифровые агенты – все, что связано с обработкой информации, поиском решения;

• ИТ-агенты – кибербезопасность, диагностика, реакция на инциденты, автоматизирование изменение конфигурации в рамках обслуживания промышленных и ИТ систем;

• Физические агенты - робототехника/склады/логистика/производство.

Сразу отмечу личный опыт. Ни один ИИ агент за три года не показал свою эффективность и производительность, за исключением ограниченных новостных агентов для скрининга медиа нарративов.

В начале 2026 могу доложить, что в науке и научно-исследовательских проектах ИИ-агенты категорически противопоказаны за исключением сценариев агрегации и обобщения нарративов. Любая серьезная работа – сразу мимо. Почему?

Контроль и верификация результатов настолько сложна и трудоемка, а надежность ИИ-агентов настолько низка, как и их скорость работы и производительность, что проще все сделать самому.

Говоря простым языком, «ИИ-дрисня» генерируется настолько масштабно, а процент ошибок так велик, что для поиска «закладок» требуется несоизмеримо больше времени и ресурсов, чем на самостоятельное решение задачи.

ИИ не обладает критерием истинности, что обходится через внешние валидаторы, независимые человеческие проверки и ограничения пространства действий ИИ. Однако, человеческая проверка, перекрывая любую потенциальную пользу от ИИ-агентов.

Уже ранее говорил, что автономные ИИ-агенты – это профанация и жульничество за исключением локальных сценариев в кодинге. Чем больше итераций – тем более токсичный и ошибочный результат, т.к. ошибки наследуются после генерации в рамках перехода на новые итерации и так по цепочке.

Если же после каждой итерации ИИ-агента блокировать и отдавать на ручную верификацию, ИИ-агент очевидно перестает быть автономным.

Здесь можно привести массу технических ограничений:

• Доступ к политике корпоративной безопасности.

• Нестабильность удержания контекстного окна (приводит к потере критически важный деталей), а во многих дисциплинах нет случайных данных и каждый дата-сет является критическим.

• Высокий процент ошибок и галлюцинаций, что может привести к катастрофе в финансах, медицине, юриспруденции, промышленном инжиниринге и науке.

• Отсутствие детерминизма – каждый запуск может приводить к разным результатам, для бизнес адаптации это неприемлемо.

• Специфичные требования по адаптации и т.д.

Да, ИИ-агенты могут быть полезны и применимы в некоторых задачах, но пока это игрушка для экспериментов, а не для экономики. Посмотрим, что принесет 2026 год.

4. Ожидайте, в 2026 году бигтехи вас завалят нарративами по ИИ-агентам

Я слежу за ними и прекрасно считываю намерения. Целеполагание очень простое – они хотя отжимать кэш с более высокой добавленной стоимостью. Сейчас они продают относительно дешевые подписки за 20 баксов в месяц и доступ к API, но продажа токенов – это как продажа сырой нефти.

Да, продажа сырой нефти может принести много денег при определенных условиях, но гораздо выгоднее продавать продукты нефтепереработки, например машинные масла или авто-химию.

Так же и бигтехи, но с той разницей, что экономика проекта не сходится – продавать токены через API невыгодно (в отличие от нефтегаза у них «добыча» токенов стоит примерно вдвое-втрое дороже, чем они продают, это как если бы себестоимость нефти была 120-140 за баррель), поэтому пытаются упаковывать токены в красивую обертку в виде «ИИ-агентов».

Не стоит «фетишировать» вокруг новомодных слов про «ИИ-агенты». Это весьма тупые боты с инструкциями, как правило, под определенную задачу – вот, что такое ИИ-агенты, но нужно создать определенный техно-вайб, нашпиговав маркетинговой требухой.

Вне всяких сомнений, сценариев применений много (сейчас не про сценарии, тем более в прошлом году несколько раз описывал) и также не вызывает сомнений, что при определенных условиях LLMs могут быть весьма полезными.

Однако, ожидания «нашпигованы» на десятки триллионов, а выхлоп на сотни миллиардов, да и то, если повезет.

Что я могу сказать про ИИ агенты? Как человек, который на профессиональном уровне экспериментирует с LLMs последние три года, имея бэкграунд в ИТ до 2008, и мировой уровень подготовки в финансовой индустрии, скрупулезно отслеживая каждый релиз и нововведения по всем передовым LLMs, вот что скажу:

- Пока задача плоская, статичная, одномерная и примитивная – ИИ агенты могу справиться, но как только происходит наслоение условий, многомерных конструкций, междисциплинарного взаимодействия, сложных иерархических связей и динамического моделирования - сразу слетают, они не могут взять сложные проекты, состоящих из множества модулей, хотя часто даже на самых простых задачах рассыпаются.

- Агенты в их текущем виде – это линейные интерполяторы. Они хороши там, где путь от точки А до точки Б можно проложить по прямой, даже если эта прямая длинная.

Но как только путь становится нелинейным, требует возврата назад для исправления ошибок или абстрактного синтеза из разных доменов, ИИ-агенты «схлопываются».

- ИИ-агенты жестко привязаны к исходному промпту (инструкции). Они не умеют проводить «переоценку ценностей» в процессе – критически важный функционал в любом проекте (научно-исследовательская и бизнес импровизация).

- ИИ-агенты не понимают динамические веса параметров и динамическую иерархию приоритетов, не могут верно расставлять акценты.

- В многомерной конструкции ошибка уже на 1-м уровне иерархии неизбежно искажает вводные для 2-го уровня. Математически это выглядит как затухающая экспонента: если точность одного шага – 95%, то через 20 шагов общая надежность системы падает до ~35%. Проект «разваливается» не в конце, а под собственным весом промежуточных галлюцинаций, а если точность не 95%, а примерно 70-75% (раньше было 10-40%), как у передовых LLMs, уже на 5-ой итерации проект разваливается из-за наследования ошибок.

Вот именно поэтому никакие автономные агенты невозможны: из-за отсутствия критерия истинности, кривой работы с внешними валидаторами и перегруженного стэка памяти, контекстного окна, что неизбежно по экспоненте увеличивает галлюцинации и точность 75% превращается в бредогенератор с точностью в 5-15%.

- ИИ-агент пригоден ровно настолько, насколько проект превращён в набор проверяемых процедур. Если оператор не может динамически в режиме реального времени верифицировать результаты – проект рассыпается.

ИИ-агенты хорошо масштабируются не по мере роста интеллекта, а по мере роста формализуемости среды: чем больше внешних верификаторов, ограничений действий и проверяемых критериев успеха, тем выше практическая автономность, иначе сразу в мусор.

Рябов Павел (spydell)
https://t.me/s/spydell_finance/8965