ИИ — пузырь или платформа: что ждёт рынок в ближайшие годы?

В последние пару лет искусственный интеллект переживает настоящий бум. Генеративные модели вроде ChatGPT ворвались в массовое сознание, а акции технологических гигантов взлетели на волне AI-хайпа. Инвесторы говорят об «новой нефти» и сравнивают ИИ с электричеством по влиянию на экономику, стартапы с приставкой "AI" множатся как грибы, а корпорации спешно внедряют ча-тботов и «умных» ассистентов во все продукты. Но на фоне энтузиазма звучит и скепсис: а не повторяем ли мы путь дотком-бума? Не надувается ли мыльный пузырь, который грозит лопнуть, оставив после себя разочарования и убытки? Или же текущий всплеск — начало устойчивой платформенной трансформации, которая на годы вперёд изменит бизнес так же, как интернет или мобильные технологии?

Парадоксально, но несмотря на все обещания, реальные бизнес-результаты ИИ пока скромнее ожиданий. Недавний опрос McKinsey показал: почти 80% компаний уже внедрили генеративный ИИ, однако примерно столько же не увидели существенного влияния на.

«Почти восемь из десяти компаний внедрили ИИ-технологии в той или иной форме, но примерно такой же процент компаний сообщает об отсутствии существенного влияния на прибыль. Мы называем это «парадоксом поколения искусственного интеллекта.»

В Массачусетском технологическом институте проанализировали 300 корпоративных проектов с ИИ — 95% из них не прибавили компании ни цента к. Более того, эксперимент в программировании выявил, что опытные разработчики с помощником-кодом от ИИ справлялись с задачами на 20% медленнее, чем без него. На бирже и в медиапространстве — эйфория, а в отчетах о продуктивности — стагнация. Всё это наводит на мысль, что в краткосрочном плане ожидания обогнали реальность, и мы живём в период «парадокса ИИ»: технология повсюду, а осязаемой отдачи нет.

В этом публицистически-аналитическом обзоре я рассмотрю, является ли современный ИИ перегретым бумом, грозящим схлопнуться, или фундаментальной платформой для долгосрочного роста. Разберу карту рынка — от инфраструктуры и базовых моделей до прикладных решений — и признаки возможного пузыря: сверхинвестиции в железо, всплеск однотипных AI-ассистентов, растущее энергопотребление и регуляторные барьеры. Загляну в будущее на 3–5 лет и далее до 2030 года: какие сценарии развития ИИ-индустрии выглядят оптимистичными, базовыми или пессимистичными. Наконец, дам рекомендации бизнесу: как трезво оценивать целесообразность внедрения ИИ, не поддаваться модному ажиотажу и вылавливать настоящую ценность среди шумовых трендов. Материал подготовлен при участии ИИ в роли поисковика информации, данные проверял вычитывая каждую статью и иной публицистический и/или научный труд.

Карта рынка ИИ: инфраструктура, модели, приложения.

Чтобы понять устойчивость текущего ИИ-бума, важно увидеть из чего состоит рынок искусственного интеллекта. Условно его можно разделить на несколько уровней: инфраструктура, базовые (foundation) модели и прикладной уровень решений.

• Инфраструктура – это вычислительные мощности, "железо" и облачные платформы, на которых обучаются и выполняются модели ИИ. В 2023–2024 гг. именно инфраструктурный слой переживает инвестиционный бум. Данные McKinsey показывают, что глобальные мощности дата-центров к 2030 году должны почти утроиться, чтобы удовлетворить спрос на ИИ; около 70% этой нагрузки будет связано с AI-задачами. Совокупные капиталовложения в ЦОДы и оборудование оцениваются почти в $7 трлн до 2030 г., из них $5,2 трлн – непосредственно под нужды ИИ. Это колоссальная сумма: для сравнения, весь мировой рынок ИТ-оборудования в 2022 году был существенно меньше. Причём около 60% этих инвестиций (порядка $3 трлн) достанется разработчикам технологий и чипов – в первую очередь NVIDIA. Неудивительно, что капитализация NVIDIA перевалила за $1 трлн в 2023 году, а её топ-менеджмент заявляет о “новой эре”, сравнивая ажиотаж вокруг ИИ с моментом появления персональных компьютеров. Однако такой лавинообразный рост инфраструктурных затрат чреват и рисками: аналитики предупреждают, что перепроизводство мощностей может оставить "невостребованные активы", если реальный спрос окажется ниже ожиданий. Другими словами, вкладывая миллиарды в серверные фермы под ИИ, компании сильно ставки на будущее — а будущий объём реальных кейсов не гарантирован.

• Базовые (foundation) модели – это большие обученные модели, лежащие в основе нынешней волны ИИ. Речь о гигантских нейросетях с десятками и сотнями миллиардов параметров, обученных на терабайтах текстов, изображений, кода. Примеры – GPT-4 от OpenAI, PaLM 2 и Gemini от Google, Llama 2 от Meta, Claude от Anthropic и др. Эти фундаментальные модели стали своего рода новой платформой: на их базе можно решать множество задач – от генерации текста и изображений до анализа данных и написания кода. В гонку включились как стартапы, так и IT-гиганты, конкурируя в качестве и масштабах моделей. Например, GPT-4 (2023) оценочно содержит порядка 1 триллиона параметров, а расходы на его обучение, по некоторым данным, достигли $80–100 млн. Google в ответ готовит модель Gemini Ultra, на обучение которой планируется потратить еще больше – порядка $150–200млн. Стоимость обучения моделей растёт экспоненциально: если трансформер (прообраз современных LLM) в 2017 г. обучили всего за $1000, то теперь счёт идёт на сотни миллионов. По оценкам экспертов, затраты на обучение передовых моделей удваиваются каждые ~10 месяцев; при таком темпе к 2027 году обучение топ-модели может стоить более $1 миллиарда. В итоге круг игроков, способных создавать “модели-титаны”, сужается до нескольких компаний с крупнейшими бюджетами (или государственных проектов). С точки зрения рынка, базовые модели – это новый инфраструктурный слой софта: многие компании могут использовать их через API вместо разработки с нуля. Большинство организаций вряд ли будут тренировать свои модели с нуля — гораздо рациональнее брать готовые от OpenAI, Google, Meta и пр., и дообучать под свои нужды. Этот подход "модель как услуга" уже реализуется в облачных платформах (Azure/OpenAI, Amazon Bedrock, Google Vertex AI и т.д.). Таким образом, базовые модели стали своего рода олигополией: несколько ведущих разработчиков диктуют технологическую повестку, а вокруг них формируется экосистема стартапов и корпоративных приложений.

• Прикладной уровень – это собственно бизнес-приложения, решения и сервисы, создающие ценность на базе ИИ. Именно здесь происходит монетизация технологий. Если инфраструктуру можно сравнить с железными дорогами, а foundation-модели – с локомотивами, то прикладные решения – это поезда, доставляющие конкретные товары и пассажиров к пунктам назначения. В эту категорию входят самые разные продукты: интеллектуальные поисковые системы, корпоративные помощники (контент + код), отраслевые AI-сервисы или AI-агенты. Здесь наблюдается буквально «золотая лихорадка»: каждая компания стремится встроить ИИ в свои процессы или продукты, опасаясь "остаться позади". В 2024 году сотни стартапов получили инвестиции в области генеративного ИИ – от создания контента и маркетинга до игрового ИИ и персональных асистентов. По данным Stanford HAI, совокупные частные инвестиции в AI в 2024 году выросли до $252 млрд, притом львиная доля роста пришлась на сектор генеративного ИИ. В то же время эксперты отмечают: реальная ценность кроется не в самих моделях, а в том, как они применяются для решения практических задач. Так, объём глобального рынка ПО составляет порядка $740 млрд (прогноз на 2025 г.), что почти в 3 раза больше, чем расходы на облачную инфратструктуру. Это значит, что основная добавленная стоимость создаётся на уровне приложений, ближе к потребителю. Именно умелое внедрение ИИ в бизнес-процессы – продажи, маркетинг, обслуживание, операции – даёт измеримый эффект: повышение выручки, экономию затрат, улучшение клиентского опыта. Успешные примеры уже есть: от ускорения разработки ПО благодаря кодовым ассистентам до автоматизации рутинной работы бэк-офиса. Но часто эти эффекты точечны и требуют перепроектирования процессов под ИИ, чего многие компании пока не сделали.

Промежуточный вывод: рынок ИИ представляет собой сложную экосистему. Внизу — капиталонапряжённая инфраструктура (чипы, дата-центры, облако), посередине — ограниченное число “мозгов” (foundation-моделей), наверху — бесчисленные вариации их использования в бизнесе. Кто из них в выигрышной позиции? Инфраструктурные игроки (например, производители GPU) уже снимают "сливки" текущего спроса: если компании соревнуются в наращивании AI-мощностей, поставщики оборудования получают гарантированную выгоду. Разработчики базовых моделей пока инвестируют в рост (OpenAI до сих пор убыточна, несмотря на миллиардные вливания от Microsoft), надеясь затем монетизировать платформенное положение. А вот на прикладном уровне конкуренция особенно высока: сотни команд пытаются прикрутить один и тот же GPT-мозг к разным задачам, и выжить смогут лишь те, кто предложит лучшую интеграцию и реальный бизнес-результат. В этом смысле тезис "ИИ — новая платформа" правдив: как когда-то смартфоны или интернет, большие модели создают возможности для тысяч надстроек, но и как любая платформа, они проходят через цикл ажиотажа, отсева и зрелого развития.

Признаки перегрева.

Есть ли у текущего ИИ-бума все черты классического пузыря? Многое указывает на то, что да. Рассмотрим ключевые симптомы перегрева:

1. Ажиотажные инвестиции и сверхоценки. 2021–2023 годы принесли лавину капиталовложений в AI. Даже после небольшого спада в 2022 году, в 2023-м (и последующих годах) финансирование генеративных AI-стартапов рвануло вверх. Каждая крупная венчурная фирма создала отдельный AI-фонд, оценки стартапов на стадии идеи взлетели до сотен миллионов. McKinsey называл генеративный ИИ "новым рубежом продуктивности" с годовым экономическим эффектом $2,6–4,4 трлн. (соизмеримо с ВВП целой Великобритании). Акции крупных ИТ-компаний, вовлечённых в ИИ, значительно обогнали рынок: индекс Nasdaq рос именно за счёт "AI-историй". Примеры перегрева видны и на микроуровне: некоторые компании лишь добавляли “AI” к названию или упоминали ИИ в отчётности — и их котировки моментально подскакивали. Такая риторика напоминает эпоху доткомов, когда фирма могла ничего не заработать, но её ценность на бумаге росла на ожиданиях светлого интернет-будущего. Классический признак пузыря налицо: капитализация и ожидания растут быстрее, чем подтверждённые фундаментальные показатели.

2. Однотипные продукты и "клонирование" идей. Ещё один индикатор — массовое появление схожих решений без достаточного дифференцирования. После успеха ChatGPT (который набрал 100 млн пользователей меньше чем за 2 месяца, став самым быстрорастущим приложением в истории) мы наблюдали всплеск “я тоже” стартапов. На рынке появилось несметное количество AI-ассистентов и чатботов-клонов, обещающих писать тексты, код, проводить аналитику и т.п. Почти каждая крупная платформа запустила своего бота: Microsoft интегрировала GPT-4 в Bing и Office, Google выпустил Bard, Meta открыла Llama для разработчиков, а ведь есть ещё десятки отраслевых чат-ботов. В корпоративном сегменте — то же самое: HR-боты, юридические боты, помощники для продаж на базе ChatGPT API. Конечно, конкуренция – это нормально, но когда рынок захлёстывает лавина однотипных продуктов, это явный признак перегрева. Большинство из этих "копий" не выдержат проверку временем: либо их функциональность поглотят платформы (типа Microsoft 365 Copilot, который делает то же, что сотня отдельных стартап-ассистентов), либо они не найдут внятной бизнес-модели. Ситуация напоминает эпоху соцсетей или мобильных приложений, когда после успеха одного формата все бросались его повторять – до неизбежной консолидации и "схлопывания" лишних игроков.

3. Разрыв между ожиданиями и реальной эффективностью. Возможно, главное, что указывает на пузырь – это диссонанс между громкими обещаниями и фактической пользой. Предполагалось, что ИИ резко взлетит продуктивность труда, освободит сотрудников от рутины и принесёт компаниям сверхприбыли. На этом держится инвестиционный тезис: зачем вкладывать $7 трлн в AI-инфраструктуру? – Потому что верим в гигантскую отдачу. Однако пока этой отдачи практически нет. Как уже упоминал выше, 80% компаний не фиксируют материального влияния ИИ на финансовые результаты. Примечательно, что производительность труда не показывает скачка, хотя ИИ-технологии доступны как никогда. Отдельные исследования даже фиксируют негативный эффект: разработчики тратят больше времени, проверяя и исправляя за ИИ, чем если бы писали код сами. Эту ситуацию уже назвали «разрывом между потенциалом и надёжностью» текущих моделей. Они (модели) впечатляюще умеют решать задачи, но делают это неустойчиво: регулярно ошибаются, “галлюцинируют” факты, требуют человеческой правки. В итоге вместо обещанного ускорения мы получаем иногда замедление и дополнительную нагрузку на сотрудников, которым нужно фильтровать работу ИИ. Признаки “пузыря” здесь — неоправданно высокие ожидания, сменяющиеся похмельем, когда технология не даёт чудес сразу. Исторически такое уже было: от переоценённых экспертных систем 1980-х (что привело к "AI-зиме") до переоценки беспилотных авто в 2010-х. Сейчас есть риск подобного разочарования в генеративном ИИ.

4. Рост издержек и узкие места. Бурный рост ИИ сопровождается взрывным увеличением потребления ресурсов – прежде всего энергии и оборудования – что тоже сигнализирует о неустойчивости. Обучение и работа моделей требуют мощных дата-центров, а те, в свою очередь, поглощают всё больше электричества. По данным Международного энергетического агентства (IEA), на 2024 год ЦОДы потребляют примерно 1,5% мирового потребления, и за последние 5 лет эта цифра росла ~ на 12% в год. ИИ ускоряет эту тенденцию: установки с GPU имеют высокую плотность энергии, и активное внедрение AI-серверов может привести к удвоению энергопотребления дата-центров к 2030 г. (до ~ 3% мирового). По прогнозам IEA, до половины всей мощности ЦОДов к 2030 будет уходить под задачи ИИ. Крупные технологические корпорации уже сообщают о всплеске своих углеродных выбросов из-за расширения дата-центров для ИИ, несмотря на “зелёные” обещания. Этот энергетический аппетит – тревожный звоночек: если технология требует экспоненциально растущих ресурсов, она может натолкнуться на ограничители в виде стоимости электроэнергии, инфраструктурных "узких мест" (например, нехватки мощностей электросетей) или экологических регуляций. Таким образом, ИИ-бум несёт в себе элементы несбалансированности, когда в погоне за возможностями компании не до конца осознают будущие издержки и риски.

5. Регуляторные барьеры и потенциальное охлаждение рынка. Когда новая технология перегрета, обычно следует фаза регулирования, остужающая пыл. Сейчас по всему миру регуляторы всерьёз взялись за ИИ, что может притормозить рынок и отсеять слабых игроков. Уже с 2025 года провайдеры так называемых общего назначения ИИ-моделей (то есть тех самых GPT и аналогов) в Европе должны будут соблюдать множество требований: подготовка технической документации о модели, раскрытие деталей обучающих данных.
Всё это увеличивает издержки соответствия и ответственность: малым компаниям может быть не по силам тянуть такие compliance-процедуры, а большие будут вынуждены замедлять релизы и адаптироваться к требованиям. В Китае со своей стороны ввели с августа 2023 жёсткие «Временные меры по управлению генеративным ИИ»: они требуют, чтобы контент, генерируемый AI, соответствовал “социалистическим ценностям”, запрещают ряд тем (политическая чувствительность, экстремизм и т.п.), обязывают провайдеров проходить госэкспертизу и маркировать сгенерированный контент. Невыполнение грозит приостановкой сервиса. Иными словами, на ИИ накладывается “рамка” ограничений, которая, с одной стороны, может охладить пыл инвесторов (легче вложиться, когда “Дикий Запад” без правил, чем когда над каждым алгоритмом нависает контролёр), с другой – повысит барьер входа (выживут те, у кого хватит ресурсов на выполнение всех норм). Регулирование — это благо для общества в плане снижения рисков, но для рынка в краткосрочной перспективе это фактор сдерживания, особенно если рынок и так перегрет. Можно провести параллель с криптовалютами: как только регуляторы всерьёз взялись за отрасль, спекулятивный пузырь лопнул. В случае ИИ ситуация иная (за технологиями стоят реальные продукты), но волна регуляций может отсечь множество “проходимцев” и затормозить некоторые направления (скажем, кто-то передумает запускать нового беспечного чатбота, понимая, что придётся нести юридическую ответственность за его ответы).

Подводя итог: признаков пузыря хватает. Сумасшедшие деньги льются авансом, толпа стартапов клонирует модные фичи, реальная польза пока отстаёт от обещаний, ресурсы тратятся с удвоением каждый год, власти готовят холодный душ регулирования. Всё это мы уже видели в истории технологий. Обычно подобные периоды сверхожиданий заканчиваются коррекцией: более слабые игроки исчезают, инвесторы трезвеют, публичный интерес остывает. Вопрос только когда и в какой форме это случится с текущим ИИ-бумом.

Сценарии развития ИИ до 2030 года.

Рассмотрев текущие реалии, попробую заглянуть в будущее. Как будет развиваться рынок ИИ в ближайшие 3–5 лет и дальше — к концу десятилетия? Очевидно, ни один прогноз не будет точным, но полезно очертить несколько сценариев: оптимистичный, базовый и пессимистичный. Реальность, вероятно, окажется где-то между ними, но такие сценарии помогут компаниям подготовиться к разным вариантам.

Оптимистичный сценарий.

В этой версии будущего текущий хайп оправдывается и перерастает в устойчивый технологический сдвиг. Несмотря на временный “провал разочарования” (2024–2025), ИИ-технологии стремительно совершенствуются. Решается проблема надёжности моделей: к 2026–2027 гг. новые поколения AI-систем становятся гораздо точнее, меньше галлюцинируют и лучше понимают контекст. Происходит прорыв в повышении продуктивности труда: компании научаются эффективно внедрять ИИ в бизнес-процессы, перерабатывают рабочие активности с учётом возможностей ИИ (как советует McKinsey, перестают просто “прикручивать AI сбоку”, а переосмысливают процессы с нуля под совместную работу людей и ИИ). К концу десятилетия AI выходит из режима экспериментов в стадию массового промышленного внедрения. По аналогии с электричеством, которое десятилетие не давало эффекта, а потом трансформировало производство, ИИ в конце 2020-х начинает давать ощутимый вклад в рост экономики. Эрик Бриньолфсон (экономист Стэнфорда) называет это прохождением "J-образной кривой продуктивности": сначала спад, потом резкий подъём. В оптимистическом сценарии уже вторая половина 2020-х становится переломной. Например, CEO Anthropic Дарио Амодеи прогнозирует, что к ~2027 году ИИ станет "лучше человека почти во всём" – конечно, это смелая оценка, но даже если ИИ просто приблизится к экспертному уровню во многих сферах, эффект колоссален. Бизнес по максимуму автоматизирует рутинные операции, ИИ-ассистенты повышают эффективность специалистов в разы, позволяя делать больше с меньшими затратами времени. Экономический эффект исчисляется триллионами: совокупный глобальный вклад ИИ может достичь, скажем, $13–15 трлн к 2030 (оценки McKinsey ~$13 трлн.). Вакансии меняются, но массовой безработицы нет: ИИ берёт на себя часть задач, люди смещаются на новые роли (контроль ИИ, более творческие и межличностные задачи, которые ИИ пока не тянет). Государства успевают ввести базовые правила, но без чрезмерного удушения инноваций. В итоге – ИИ становится неотъемлемой платформой наподобие интернета: никто уже не спорит о его полезности, он просто работает повсеместно. Выжившие компании-лидеры (Big Tech и несколько новых гигантов) доминируют, но появляется и много нишевых успешных AI-проектов, решающих конкретные проблемы. В целом оптимистичный сценарий – это сбывшиеся надежды нынешнего хайпа: пусть не мгновенно, но в течение 5–7 лет ИИ оправдывает ожидания, устояв под грузом собственных проблем.

Базовый сценарий.

В базовом варианте буря хайпа стихает, но ИИ продолжает поступательно развиваться и внедряться, хотя и без чудес. Предположим, в 2024–2025 гг. рынок переживает умеренную коррекцию: часть стартапов закрывается, инвесторы становятся разборчивее (финансируют меньше проектов, ориентируются на доказательства ценности). График “ожидания vs реальность” выравнивается: все понимают, что создать универсального искусственного работника сложнее, чем казалось, и фокус смещается на более узкие, практичные применения. Компании, разочаровавшиеся в первых экспериментах с ИИ, не бросают технологию, а начинают искать где она реально работает. Постепенно лучшие практики распространяются: удачные кейсы (например, успешное использование ИИ в диагностике заболеваний, в оптимизации логистики или в персонализации онлайн-сервисов) становятся эталоном. Процент проектов с положительным ROI растёт – не 5% как сейчас, а, скажем, 30–40% к 2028 году. Это всё ещё значит, что большинство попыток могут давать слабый эффект, но доля результативных повышается благодаря накопленному опыту. Рынок несколько консолидируется: многие задачи решаются не сотней конкурирующих предложений, а несколькими платформенными решениями. Например, из множества генеративных AI-ассистентов для бизнеса остаётся десяток самых надёжных, возможно от крупных облачных провайдеров. Foundation-моделей тоже становится меньше, но они лучше: к 2030, условно, в мире есть 5–6 общедоступных моделей уровня GPT-6, которые обучены на более качественных датасетах, меньше токсичны и встроены во все основные ПО-продукты. Регуляторика окончательно оформляется: компании научились соблюдать законодательные нормы. Этика и ответственность становятся частью конкурентного поля: пользователи и клиенты доверяют тем AI-системам, которые доказали свою надежность и прозрачность. В экономике эффект ИИ заметен, но не революционен: ежегодный прирост продуктивности на 0,5% благодаря ИИ (оценка McKinsey: +0,1–0,6% к росту в год до 2040) — вроде не вау, но за 10–15 лет это складывается в проценты ВВП. К 2030 ИИ прочнопроникает в большинство отраслей, но в основном как составной инструмент, а не панацея. Например, врач пользуется AI-помощником для анализа рентгена, но решение всё равно принимает сам; журналист использует AI для подготовки литературы, но пишет статьи самостоятельно (как в данном случае), и т.д. Многие рабочие места перестраиваются: умение взаимодействовать с ИИ становится базовым навыком. Однако массовой безработицы или взрывного роста занятости нет — рынок труда адаптируется, лишь немного повышая планку квалификации. Ведущие AI-компании получают доходы, но без монополизации всего: как сейчас с облаками — большой рынок, где есть лидеры, но и место для других хватает. В целом базовый сценарий – эволюционный: ИИ становится обыденным инструментом, бизнес учится его применять в повседневных задачах, период безумия сменяется зрелой фазой роста.

Пессимистичный сценарий.

В этом варианте сбываются опасения скептиков, и текущий бум заканчивается довольно болезненно. Представим, что уже в 2026 (2025) году происходит обвал ожиданий: несколько громких провалов. Параллельно макроэкономические факторы (рост ставок, ужесточение финансирования) усугубляют ситуацию: венчуры резко сокращают вложения, многие AI-стартапы обанкротились, не дождавшись прибыльности. СМИ начинают говорить о “конце ИИ-бумы”, разочарование витает в воздухе. Компании, разочаровавшиеся в ИИ, переключают бюджеты на другие нужды, а слово “AI” из модного превращается почти в ругательное (как было с "блокчейн"). Регуляторы окончательно прикручивают гайки: вслед за ЕС и Китаем, другие юрисдикции вводят жёсткие ограничения, а может быть происходит прецедент судебной ответственности за вред от ИИ, из-за чего директора начинают бояться внедрять непросчитанные алгоритмы. В результате к 2026–2027 году – масштабный откат: многие проекты сворачиваются, бюджеты на ИИ в корпорациях режутся или замораживаются (“подождём, пока технология дозреет”). Возможно, на научном фронте тоже наступает пауза в прорывах: после GPT-5 экосистема сталкивается с убывающей отдачей – новые модели всё сложнее и дороже, а качественного скачка в возможностях нет (на это указывали некоторые эксперты). То есть, происходит замедление инноваций: не нашли революционной архитектуры взамен простого масштабирования, и прогресс притормаживает. Всё это напоминает предыдущие "AI-зимы" (1970-е и 1980-е), когда волны оптимизма сменялись многолетним спадом интереса и финансирования. Конечно, в пессимистичном сценарии ИИ не исчезает — наработки останутся, просто они "замораживаются" до лучших времён или используются нишево. Например, крупные техгиганты могут продолжать тихо развивать ИИ-исследования, но без былого шума и гонки. Инфраструктурные мощности, понастроенные под ИИ, частично простаивают или переключаются на традиционные нагрузки. Цена GPU падает, NVIDIA теряет значительную часть капитализации. Общий нарратив: "ИИ переоценили, а он не оправдал надежд". Общество также разочаровано: ни умных роботов-дворецких, ни умных ассистентов-Джарвисов, а вместо этого – горы скучного сгенерированного контента и множество увольнений проектов. Пессимистичный сценарий, конечно, не означает конец ИИ-технологий – он лишь означает длительную паузу в их экспансии. Возможно, спустя несколько лет придёт новый виток (например, новый научный прорыв или новое поколение лидеров, которые переосмыслят ИИ и снова вдохнут жизнь, как это случилось с нейросетями в 2010-х после десятилетий забвения). Но до 2030 этот сценарий предполагает стагнацию или очень медленный рост ИИ-рынка.

Вероятность каждого сценария можно оценивать по-разному. Реальность может оказаться комбинацией: например, ближайшие 2-3 года – пессимистичная коррекция, а затем с 2027 – новый рост. Либо относительно плавное развитие (ближе к базовому). Интересно, что мнения отрасли разделились: одни, вроде Сэма Альтмана из OpenAI, говорят об исторической миссии ИИ и не думают сбавлять обороты, другие, например некоторые ученые и технологи, публично призывают “нажать на паузу” и остудить перегрев (было даже открытое письмо весной 2023 с призывом временно остановить разработку слишком мощных моделей). В конечном счёте, рынок ИИ – не монолит: разные сегменты могут идти по своим траекториям. Допустим, генеративный ИИ для контента перегреется и лопнет (слишком много однотипных сервисов, которые научатся фильтровать соцсети), а промышленный ИИ для управления оборудованием будет уверенно расти (его ценность более осязаема). Или наоборот.

Для стратегов важно понимать: сейчас мы находимся в критической точке. Как писал один из индустриальных лидеров, "момент сравним с ранним интернетом – риск для компаний не в том, что они мечтают слишком смело, а в том, что наоборот, недооценят масштаб перемен". Но одновременно очевидно и другое: быстрых побед не будет, предстоит долгая работа по интеграции ИИ во всё, что имеет смысл, и честное признание там, где смысла нет.

Рекомендации для компаний.

Что же делать руководителям компаний и инвесторам в этой неоднозначной ситуации? С одной стороны, вокруг давления и лозунги "не упусти AI-революцию, вкладывайся, внедряй, или останешься позади". С другой – реальные риски потратить бюджет впустую на модную игрушку. Вот несколько рекомендаций, как подходить к ИИ стратегически и прагматично:

• Оценивать бизнес-целесообразность хладнокровно. Каждый AI-проект должен начинаться не с желания "где бы нам прикрутить нейронку для пиара", а с конкретной бизнес-проблемы или возможности. Спросите: какую ценность это принесёт клиентам или компании? Повысит ли выручку, снизит издержки, улучшит продукт? Если чёткого ответа нет, лучше не ввязываться.
  Лучше нацеливаться на понятные сценарий использования – чётко очерченные функции, где ИИ может заменить или расширить конкретный процесс (например, автоматическая проверка документов в юрделе, ведение товарного учета и т.п.).

• Начинать с малого, экспериментировать, но быстро учиться. ИИ – это сфера, где глубокое погружение бьёт стороннее наблюдение. То есть, чтобы понять, как ваш бизнес может использовать AI, нужно практиковаться. Запустите пилотный проект, пусть небольшой. Но ставьте конкретные KPI для него и измерьте результаты. Если пилот не дал эффекта – разберите, почему. Переносите успешные находки на другие процессы, а неуспешные – откладывайте. Важно создавать в организации культуру эксперимента с ИИ: выделить команду энтузиастов (возможно, центр компетенции), которая будет пробовать новые AI-инструменты и сразу смотреть, что из этого полезно. Цель – доводить пилоты до продуктивного использования или честно хоронить, если не взлетело.

• Инвестировать в данные и инфраструктуру осознанно. Качественные данные – топливо для ИИ. Если у вас хаос в данных, нет доступа к нужной информации, нет процессов ее обновления, то и самый умный алгоритм не поможет. То же с инфраструктурой: иногда имеет смысл воспользоваться облаками (там всё готово к работе), чем пытаться развернуть тяжёлую инфраструктуру on-premise. Если вы не злёный банк и не желтый поисковик, вряд ли стоит строить суперкомпьютер под ИИ "на вырост". Лучше использовать гибкие мощности по запросу, постепенно наращивая по мере роста задач. Это защитит от сценария, когда полдатaцентра стоит без дела, потому что проекты не полетели.

• Вовлекать людей и развивать AI-навыки. ИИ в компаниях часто проваливается не из-за плохой модели, а из-за человеческих факторов: сотрудники не доверяют или не умеют пользоваться алгоритмом, топ-менеджмент не понимает ограничений технологии, возникают культурные барьеры. Поэтому обучение кадров – критично. Надо подготовить людей к совместной работе с ИИ. Это означает, во-первых, развивать цифровую грамотность персонала: обучить, как использовать AI-инструменты в своей работе, как проверять их результаты, где просить помощи, где не полагаться. Во-вторых, важно преодолеть сопротивление: кому-то ИИ покажется угрозой для работы – нужно честно обсуждать, какие новые роли появятся, как компания поддержит переквалификацию. Лучшие компании делают “демократизацию” ИИ: дают сотрудникам пробовать доступные сервисы, проводят внутренние соревнования (хакатоны по использованию ИИ в процессе), поощряют идеи снизу. Лидеры тоже должны учиться – хотя бы понимать базовые возможности и риски AI, чтобы ставить правильные задачи и принимать ответственные решения. Если первые лица покажут пример разумного, но смелого подхода к ИИ, команда подтянется.

• Избегать "AI-волшебства" и учитывать ограничения. В каждой инициативе важно закладывать, что ИИ – это инструмент со своими ошибками, погрешностями и тонкостями. Он не всеведущ и не безупречен. Поэтому встройте контроль и безопасность во все AI-процессы. Проверяйте на малых выборках, проводите валидацию на реальных данных, прежде чем разворачивать на всех. Установите этические рамки: как ваш AI-сервис реагирует, если пользователь, скажем, просит что-то потенциально незаконное? Как защищены персональные данные? Эти вопросы не надо оставлять "на потом" – их нужно решать с первого дня. Иначе можно нарваться на репутационные и юридические проблемы (особенно с учётом новых регуляций). Например, если ваш клиентский чатбот начинает токсично отвечать пользователям – это провал, которого можно было избежать, заранее обучив и оттестив модель на эти аспекты. Надёжность и безопасность AI-систем – не роскошь, а обязательное условие для их успешного применения. А пока текущие модели склонны халтурить и галлюцинировать, всегда держите "человека в цикле" для критических решений. Это убережёт от катастроф и сохранит доверие.

• Фокусироваться на реальной ценности, а не на хайп-фичах. Этот совет может звучать банально, но в условиях ажиотажа про него часто забывают. Не нужно внедрять ИИ ради ИИ. Нужно решать задачи. Иногда это значит, что традиционный софт или алгоритм без нейросетей решит проблему лучше и дешевле. И это нормально! Отличайте, где действительно необходим обученный ИИ-агент, а где достаточно простого автомата. Избегайте синдрома "у нас всё теперь на AI". Наоборот, стройте гибридные системы: там, где AI даёт преимущество – используйте его, где нет – опирайтесь на проверенные методы. Клиенту ведь всё равно, нейросеть у вас под капотом или нет – ему важен результат (скорость, удобство, точность). Настоящая ценность ИИ проявляется, когда он либо делает то, что человек/традиционный софт не могли (например, понимает свободный текст запроса и сразу выдаёт ответ), либо делает на порядки быстрее/дешевле. Если прироста на порядке нет, стоит подумать, оправдан ли AI.

• Готовиться к разным сценариям рынка. В стратегическом планировании компании должны учитывать, что ИИ-ландшафт может развиваться не линейно. Так же как я описал три сценария выше, стоит продумать: что вы будете делать, если хайп схлопнется через год? А что, если наоборот, прорыв случится и у конкурентов резко вырастет продуктивность за счёт ИИ? Бизнес-планы должны включать резервные варианты. Например, на случай пессимистичного сценария: вы не будете делать ставку на рискованный AI-продукт как единственный источник роста, диверсифицируете технологии. На случай оптимистичного: вы закладываете бюджет на ускоренное внедрение ИИ, усиление AI-команды, чтобы не отстать. Гибкость и мониторинг трендов помогут вовремя скорректировать курс. Тем более что регуляторика тоже может вмешаться: будьте готовы оперативно соответствовать новым требованиям. Это можно превратить даже в конкурентное преимущество: компании, сумевшие безопасно и ответственно внедрить ИИ, завоюют больше доверия рынка.

Сводя воедино: подход "думай масштабно, начинай с малого и меряй результат" себя отлично зарекомендовал. Не бойтесь ИИ – но и не обожествляйте. Трезвый расчёт + смелость в экспериментах + ориентация на ценность = рецепт успешного освоения любой новой технологии, и ИИ не исключение.

Вывод: пузырь лопнет, а платформа останется?

Итак, является ли искусственный интеллект мыльным пузырём или устойчивой платформой? Парадоксально, но вероятно, и тем и другим одновременно. Мы наблюдаем классический пузырь вокруг ожиданий и инвестиций: он, скорее всего, неизбежно сдуется до более реалистических масштабов. Часть нынешнего ИИ-бума – краткосрочная мода, которая уйдёт в прошлое. Множество однотипных AI-сервисов, не дающих ощутимой пользы, исчезнут. Некоторые компании болезненно разочаруются и на время вообще свернут эксперименты с ИИ. Тем не менее, сама технология никуда не денется – более того, ключевые достижения ИИ уже трудно “откатить назад”. Алгоритмы распознавания речи, зрения, большие языковые модели — всё это фундаментальные инструменты, которые останутся в арсенале человечества. Настоящая ценность ИИ проявится со временем, когда уляжется пыль хайпа. Она кроется в повышении эффективности процессов, в решении задач, которые раньше не удавались, в новой степени персонализации и автоматизации.

Можно провести аналогию: в начале 2000-х лопнул пузырь доткомов, обанкротились сотни интернет-компаний, инвесторы потеряли миллиарды – но через несколько лет интернет прочно вошёл в нашу жизнь. "Пузырь лопнул, а платформа осталась". Подобное, вероятно, случится и с ИИ. Сегодня мы переоцениваем краткосрочное воздействие ИИ, но, возможно, недооцениваем долгосрочное. Те компании, которые извлекут уроки из текущего ажиотажа, не поддадутся эйфории, а сконцентрируются на создании реальной ценности – выйдут победителями. В будущем ценность будет не в самом факте применения ИИ, а в том, какие уникальные данные, навыки и интеграции есть у вашей AI-системы. Например, ценными станут не бесчисленные генераторы текстов, а, скажем, специализированные ИИ, глубоко понимающие определённую предметную область, обученные на собственных массивах данных компании. Или системы, сочетающие ИИ и человеческую экспертизу оптимальным образом. Или инфраструктурные решения, делающие ИИ более доступным, дешёвым.

На горизонте 2030 года можно ожидать, что ИИ окончательно перестанет быть чем-то загадочным. Он станет частью каждодневных инструментов — как сейчас никто не удивляется поисковой строке в интернете или автокоррекции на телефоне. Выиграют организации, которые уже сегодня идут к этому осознанно: строят цифровую культуру, основанную на данных и ИИ, но избегают ловушек хайпа. Настоящая полезность ИИ проявляется там, где он незаметно встраивается и улучшает существующее, а не пытается шумно заменить всё сразу.

Подводя итог, можно сказать: пузырь вокруг ИИ, вероятно, схлопнется – но платформа ИИ как таковая никуда не денется и будет развиваться дальше. Важно не потерять доверие к технологии, когда спадёт пена ожиданий. Трезвый, прагматичный и этичный подход позволит пройти через фазу разочарования и к 2030 году выйти на плато продуктивности, где искусственный интеллект займёт прочное место среди базовых технологий бизнеса. Как и с любым пузырём, после него останутся те, кто строил фундамент, а не воздушные замки. Именно за этим фундаментом – будущее ценность ИИ. И сегодня самое время закладывать его, не поддаваясь лишнему шуму, но и не упуская возможности следующей технологической платформы.

Хабр, рад был, в очередной раз, повидаться. По случаю, заглядывай и ты ко мне.