Социальные сети

Генеративный искусственный интеллект всё быстрее выходит за рамки отдельных чат-ботов и превращается в базовую технологию цифровой среды. Согласно обзору Sensor Tower, в первой половине 2026 года суммарное время использования генеративных ИИ-приложений в мире может достигнуть 36 миллиардов часов — более чем вдвое выше показателя за аналогичный период 2025 года. Это говорит о том, что ИИ всё глубже входит в повседневные привычки пользователей, электронную коммерцию и рекламный рынок. На рынке ИИ-ассистентов лидером по-прежнему остаётся ChatGPT. В мае 2026 года приложение, как утверждается в отчёте, быстрее других мобильных сервисов достигло одного миллиарда ежемесячно активных пользователей. Однако рынок постепенно становится более конкурентным. Google Gemini усиливает позиции благодаря интеграции с Android и другими сервисами Google, а Claude активно расширяет аудиторию среди профессиональных пользователей. В результате доля ChatGPT в уникальной аудитории начала снижаться, хотя он остаётся крупнейшим игроком. Одним из самых заметных направлений становится использование ИИ в онлайн-торговле. Ассистенты помогают пользователям искать, сравнивать и оценивать товары, особенно в категориях, где решение о покупке требует изучения характеристик: электронике, товарах для дома, одежде и спортивных товарах. Генеративный ИИ уже приносит интернет-магазинам дополнительный трафик, а встроенные помощники на торговых платформах повышают вовлечённость и вероятность покупки. Таким образом, ИИ влияет не только на то, откуда приходит посетитель, но и на его поведение внутри магазина. Меняется и рекламный рынок. ИИ-платформы начинают играть роль нового канала поиска информации и взаимодействия с брендами — наряду с поисковиками и социальными сетями. Компании тестируют рекламу в ИИ-сервисах, а сами разработчики ИИ всё активнее вкладываются в продвижение своих продуктов. Одновременно слово «ИИ» становится важным маркетинговым инструментом: всё больше приложений добавляют его в описание, а рекламные кампании используют ИИ как ключевое преимущество продукта. Главный вывод отчёта заключается в том, что ИИ перестаёт быть самостоятельной категорией приложений. Он становится инфраструктурой, которая меняет способы поиска информации, выбора товаров, создания контента, работы с цифровыми сервисами и взаимодействия с рекламой. В 2026 году рынок, по сути, переходит от периода экспериментов к этапу масштабного встраивания ИИ в экономику цифровых продуктов.

Развитие искусственного интеллекта всё заметнее меняет рынок труда. Показательный пример привёл генеральный директор Amazon Энди Джасси: команда из пяти сотрудников, активно использовавшая ИИ-инструменты, за 65 дней завершила внутреннюю переработку системы, на которую прежде потребовались бы 40–50 инженеров и около года работы. Для бизнеса это означает резкое ускорение процессов и снижение затрат. Для работников — закономерный вопрос: что произойдёт с теми, чья работа теперь требует значительно меньшего числа людей? Ситуация особенно неоднозначна на фоне сокращений в Amazon. В начале года компания объявила об увольнении примерно 16 тысяч сотрудников, объясняя решение упрощением организационной структуры, сокращением управленческих уровней и повышением самостоятельности команд. Формально это не было названо «увольнениями из-за ИИ», однако параллельно Amazon продолжает резко наращивать вложения в ИИ-инфраструктуру: центры обработки данных, графические процессоры, собственные чипы и облачные сервисы. Для инвесторов такая стратегия выглядит логично: ИИ способен ускорять разработку продуктов, повышать производительность и улучшать маржинальность. Но для сотрудников, особенно на начальных позициях, последствия могут быть болезненными. Генеративный ИИ всё активнее берёт на себя типовые задачи в программировании, дизайне, поддержке клиентов, маркетинге, подготовке документов и создании контента. В результате компании могут сокращать найм junior-специалистов, предпочитая сочетание небольшого числа опытных сотрудников и мощных ИИ-инструментов. При этом Джефф Безос придерживается более оптимистичного взгляда. По его мнению, ИИ не уничтожит работу, а со временем может даже привести к дефициту кадров. Логика в том, что снижение стоимости разработки и запуска новых продуктов позволит большему числу людей создавать стартапы, сервисы и новые виды бизнеса. Как и предыдущие технологические революции, ИИ может одновременно вытеснить часть профессий и сформировать новые. Главное противоречие здесь связано со временем. Даже если в долгосрочной перспективе ИИ создаст больше рабочих мест, чем ликвидирует, переходный период способен оказаться тяжёлым. Человек, потерявший работу сегодня, не может ждать несколько лет появления новых массовых профессий. Ему нужны доход, доступное обучение и реальная возможность сменить квалификацию уже сейчас. Таким образом, ИИ не обязательно ведёт к массовой безработице, но почти наверняка меняет структуру занятости. Наиболее уязвимыми могут стать молодые специалисты и сотрудники начального уровня, поскольку именно их типовые задачи легче всего автоматизировать. Поэтому ключевой задачей для компаний, государства и самих работников становится не отрицание автоматизации, а подготовка к ней: развитие навыков, создание новых траекторий входа в профессию и поддержка тех, кто оказался между исчезающими и ещё не возникшими рабочими местами.

Развитие больших языковых моделей породило тревогу у разработчиков AI-приложений: не поглотят ли OpenAI, Anthropic и Microsoft весь прикладной рынок, добавив нужные функции прямо в свои базовые продукты? Однако основатель корпоративной AI-компании Glean Арвинд Джайн считает, что фундаментальные модели не смогут заменить специализированные решения для бизнеса. Главная причина — разрыв между возможностями модели в лаборатории и реальной работой внутри компании. У крупного предприятия могут быть сотни разрозненных систем: CRM, почта, документы, базы знаний, сервис-деск, бухгалтерия, кодовые репозитории. Одни и те же сущности в разных подразделениях называются и учитываются по-разному, а доступ к данным регулируется сложной системой прав. Модель способна прочитать данные, но сама по себе не понимает, какие сведения важны для конкретной задачи, как устроены внутренние процессы и какие решения уже принимались ранее. В результате значительная часть вычислений уходит на поиск, сбор и интерпретацию контекста. Это делает AI одновременно дорогим, медленным и ненадёжным. Поэтому ключевым активом в корпоративном ИИ становится не только сама модель, а контекстная инфраструктура: корпоративная база знаний, граф связей между данными, правила доступа, бизнес-терминология, рабочие процессы и накопленный опыт сотрудников. Именно этот слой позволяет AI-агенту не просто формировать красивый текст, а выполнять полезную работу в конкретной организации. По оценке Джайна, более 90% корпоративных AI-задач не требуют наиболее мощных и дорогих моделей. Для составления писем, расшифровки встреч, поиска по документам, подготовки отчётов или обработки типовых обращений достаточно более дешёвых, в том числе открытых моделей. Критерий для бизнеса прост: результат должен быть достаточно качественным, безопасным и экономически оправданным. Это ведёт к распространению мульти-модельного подхода. Простые задачи можно передавать недорогим моделям, а сложные и критически важные — флагманским закрытым решениям. В такой схеме ценность смещается от поставщика модели к платформе, которая умеет выбрать подходящую модель, безопасно подключить её к корпоративным данным и встроить в рабочие процессы. Одновременно меняется и сила традиционных программных экосистем. Например, Microsoft сохраняет важное преимущество благодаря интеграции Copilot в уже купленные компаниями офисные продукты. Но AI всё чаще оплачивается по фактическому использованию, а не только по числу лицензий. Поэтому наличие инструмента в корпоративном пакете ещё не гарантирует, что сотрудники будут применять именно его: решающими становятся качество выполнения задачи, удобство и стоимость. Важно и то, что AI не всегда мгновенно сокращает расходы. Он часто устраняет одно ограничение, но переносит узкое место дальше по цепочке. Если генерация кода стала быстрее, новыми барьерами становятся архитектура, проверка качества, безопасность, тестирование и внедрение. Полная автоматизация без контроля может привести к накоплению технического долга и росту затрат в будущем. Поэтому наиболее перспективная стратегия — использовать AI не только для сокращения штата, а для роста производительности и масштаба бизнеса. Компании, которые с помощью AI расширяют выпуск продуктов, улучшают сервис и осваивают новые рынки, потенциально получают больше преимуществ, чем те, кто использует технологию исключительно как инструмент экономии. Для AI-стартапов вывод также очевиден: опаснее всего оставаться поверхностной «оболочкой» над чужой моделью. Такой продукт может быть быстро заменён новой функцией от крупной платформы. Но если компания глубоко встроена в критически важные процессы клиента, управляет контекстом, правами доступа, данными и рабочими сценариями, то улучшение базовых моделей становится не угрозой, а источником дополнительной ценности.

MiniMax, одна из наиболее заметных китайских компаний в сфере генеративного ИИ, за первые полгода после IPO пережила резкое охлаждение интереса инвесторов. Ещё в марте её рыночная стоимость превышала 4 трлн гонконгских долларов, однако к 21 июля снизилась примерно до 777 млрд. Таким образом, компания потеряла более 3 трлн гонконгских долларов капитализации. Формальным поводом для распродажи стало снятие ограничений на обращение акций: в июле на рынок вышло около 46% бумаг MiniMax. При отсутствии достаточного притока нового капитала это усилило давление на котировки. Компания попыталась стабилизировать ситуацию, проведя размещение акций и конвертируемых облигаций почти на 160 млрд гонконгских долларов. Большую часть привлечённых средств планируется направить на вычислительную инфраструктуру и развитие моделей. Однако причины снижения оценки лежат глубже, чем краткосрочная волатильность. Рынок постепенно перестаёт оценивать MiniMax лишь как редкий публичный актив в секторе крупных языковых моделей. Конкуренция усиливается: на рынок выходят новые AI-компании, а глобальные технологические гиганты активно развивают собственные мультимодальные продукты, агентов и инструменты для программирования. Первоначально MiniMax привлекала инвесторов сильной международной линейкой потребительских продуктов — Talkie, Xingye и Hailuo AI, а также ставкой на мультимодальные модели, работающие с текстом, изображениями, голосом и видео. Но именно потребительский сегмент остаётся наиболее уязвимым: пользователи легко переходят от одного AI-приложения к другому, поскольку стоимость смены сервиса почти нулевая. Если продукт не формирует устойчивую привычку, удержание аудитории и платная конверсия быстро ухудшаются. На этом фоне конкуренты, ориентированные на корпоративный рынок, выглядят более устойчиво. Например, Zhupu делает акцент на B2B-сервисах и API-инфраструктуре, где долгосрочные контракты, интеграция в процессы компании и технические зависимости могут создавать более прочную коммерческую базу. Ответ MiniMax — переход от роли разработчика моделей к роли AI-платформенной компании. Логика этой стратегии заключается в создании замкнутого цикла: собственные модели становятся основой для продуктов, продукты привлекают пользователей и генерируют данные, а данные помогают совершенствовать модели. Компания стремится развивать одновременно два направления: потребительские сервисы с подписками и рекламой, а также корпоративные решения и API для разработчиков. Важной частью стратегии является интеграция ИИ в аппаратные устройства. MiniMax уже развивает партнёрства в робототехнике, умных очках, детских AI-игрушках и роботах-компаньонах, поставляя технологии синтеза речи и мультимодальные модели. Такой путь может помочь компании выйти за рамки обычных чат-ботов и приложений, где конкуренция особенно высока. Тем не менее, инвесторам предстоит увидеть доказательства жизнеспособности новой модели. При росте выручки на 159% в 2025 году MiniMax всё ещё остаётся убыточной: расходы на исследования и разработки значительно превышают доходы. Поэтому дальнейшая оценка компании будет зависеть не только от качества её моделей, но и от способности удерживать пользователей, наращивать B2B-направление, формировать экосистему устройств и постепенно улучшать экономику бизнеса. Главный вопрос для MiniMax сегодня заключается не в том, сможет ли она выпускать новые модели, а в том, сумеет ли она превратить технологические достижения в устойчивую платформу с понятной бизнес-моделью.

На фоне стремительного роста возможностей AI-моделей всё заметнее становится другая проблема — стоимость их использования. Современные системы требуют огромных вычислительных ресурсов, особенно на этапе инференса, когда модель отвечает пользователям, выполняет задачи агентов или генерирует код. Поэтому разработка собственных чипов для DeepSeek может быть не просто способом снизить расходы, а попыткой получить контроль над будущей архитектурой ИИ. По сообщениям китайских медиа, DeepSeek около года развивает проект собственного чипа для инференса. Подобный путь рассматривают и другие компании: OpenAI, Anthropic, Google, Amazon и Meta (запрещённая в России). Причина очевидна: универсальные GPU остаются крайне дорогими, а зависимость от ограниченного числа поставщиков вычислительной инфраструктуры создаёт и финансовые, и стратегические риски. GPU Nvidia ценны своей универсальностью: они способны обучать и запускать множество разных моделей и вычислительных операций. Но именно эта гибкость оборачивается избыточностью в задачах постоянного инференса одной и той же архитектуры. Специализированный чип может отказаться от части универсальности и направить больше энергии и площади кремния на конкретные операции — например, обработку Transformer-моделей, работу с памятью или маршрутизацию запросов между экспертами в MoE-архитектурах. Однако специализированные процессоры несут серьёзные риски. Если индустрия меняет архитектурный стандарт, чип, оптимизированный под прежний подход, может быстро потерять актуальность. Кроме того, молодым производителям трудно конкурировать за передовые производственные мощности с Nvidia, Apple, AMD и другими крупными заказчиками. Именно здесь DeepSeek может иметь иную позицию, чем независимые стартапы в сфере чипов. Компании вроде Groq, Etched или Cerebras вынуждены создавать продукт для широкого рынка и заранее угадывать, какие модели будут востребованы. DeepSeek же разрабатывает чип прежде всего для собственных моделей. Она может адаптировать алгоритмы под аппаратную платформу и, наоборот, проектировать железо с учётом особенностей своих моделей. Особенно важным направлением может стать поддержка MoE — моделей со смесью экспертов. В таких системах для каждого токена активируется лишь небольшая часть параметров, но требуется быстро определить, к каким именно экспертам направить вычисления. На универсальном GPU эта маршрутизация выполняется программно и может становиться узким местом. В специализированном процессоре её можно частично перенести на аппаратный уровень, снизив задержки и стоимость обработки запросов. Вероятно, DeepSeek не обязательно будет стремиться к самым передовым техпроцессам. Для внутреннего инференса более зрелые производственные нормы при грамотной оптимизации могут оказаться экономически выгоднее, чем дорогая гонка за минимальными нанометрами. Главный показатель здесь — не рекордная производительность одной карты, а стоимость обработки одного токена при приемлемом качестве и стабильности. Таким образом, собственный чип для DeepSeek — это ставка на вертикальную интеграцию. Её смысл состоит в переходе от модели, где алгоритмы вынуждены подстраиваться под возможности доступного оборудования, к модели, где программное и аппаратное обеспечение развиваются как единая система. Даже успешный проект не сможет мгновенно разрушить доминирование Nvidia с её экосистемой CUDA, программными инструментами и огромной базой разработчиков. Но он может дать китайской AI-индустрии больше свободы в выборе моделей, форматов вычислений и инфраструктурных решений. В долгосрочной перспективе именно способность совместно развивать модели, программное обеспечение и чипы может стать одним из ключевых факторов конкурентоспособности в эпоху ИИ.

История австралийской блогерши Lily Jay стала показательным примером того, как генеративный ИИ может использоваться для манипуляции доверием и сбора пожертвований. По данным расследования ABC News Verify, аккаунт с почти тремя миллионами подписчиков публиковал ролики о помощи детям, беженцам и нуждающимся, однако значительная часть этих материалов, вероятно, была создана искусственным интеллектом. В видео блогерша рассказывала об открытии приюта для сирот в Уганде, строительстве мечетей, раздаче еды в Газе и помощи беженцам. В кадре появлялись дети, сотрудники фонда, баннеры и церемонии награждения. Все это формировало образ искренней, религиозной и социально активной благотворительницы. В конце публикаций аудиторию призывали делать пожертвования. Однако проверка выявила серьёзные несоответствия. Изображения открытия приюта, детей и сотрудников содержали характерные признаки AI-генерации: искажённые надписи, лишние символы на одежде, неестественные детали. Фото награды, которой якобы была удостоена Lily Jay, также, по данным расследования, имели маркировку SynthID — цифровой водяной знак, указывающий на генерацию изображений с помощью ИИ. Сомнения вызвала и деятельность самого фонда. В Уганде, как утверждается, приют не удалось обнаружить в официальных реестрах, а позднее появилась организация со схожим названием, но со статусом несоответствия требованиям. Не нашлось убедительных подтверждений существования и заявленной пекарни в Газе, которая якобы занималась гуманитарной помощью. Особую тревогу вызывает непрозрачность финансовой и юридической стороны проекта. На сайте фонда, по сообщениям журналистов, присутствовало примечание о том, что организация не является благотворительной. После запросов СМИ часть материалов и страниц исчезла, а для посетителей из Австралии могли быть скрыты кнопки пожертвований и юридическая информация. Эта история важна не только как возможный случай мошенничества. Она демонстрирует новую угрозу: ИИ позволяет быстро и убедительно создавать эмоциональные сюжеты — с детьми, беженцами, наградами, гуманитарными миссиями и «доказательствами» работы на месте. Такие материалы особенно опасны, поскольку апеллируют не к жадности, а к человеческому состраданию. В эпоху, когда изображения и видео всё труднее отличить от реальных, благотворительность требует дополнительной осторожности. Перед переводом средств важно проверять юридический статус организации, её регистрацию, финансовую отчётность, независимые подтверждения проектов и репутацию партнёров. Вопрос «Это действительно правда?» становится не проявлением цинизма, а необходимой защитой доверия и самой идеи помощи.

На конференции WAIC 2026 стало особенно заметно: рынок искусственного интеллекта всё быстрее перестраивается вокруг AI-агентов — систем, которые не просто отвечают на вопросы, а понимают намерение пользователя, самостоятельно выполняют многошаговые задачи и учатся на взаимодействии с окружающей средой. Однако будущая структура этого рынка пока не определена. Направление ясно — от отдельных приложений к интеллектуальным помощникам, — но маршруты, лидеры и точки контроля ещё меняются. Сегодня экосистему агентов условно можно разделить на четыре уровня: AgentOS, сервисы памяти и эмоций, аппаратные устройства и прикладные инструменты. AgentOS: борьба за контроль над пользовательским опытом Главным элементом новой экосистемы может стать AgentOS — операционная система, созданная не вокруг приложений, а вокруг задач и намерений пользователя. Если смартфон эпохи мобильного интернета был контейнером для приложений, то устройство эпохи агентов должно стать площадкой, где ИИ самостоятельно координирует сервисы. Пользователь не открывает отдельно такси, доставку, календарь или рабочий мессенджер: он формулирует цель, а агент подбирает нужные действия и инструменты. Именно поэтому крупные технологические компании и стартапы стремятся создать собственные платформы для агентов. Они хотят контролировать не только модель ИИ, но и слой, который связывает модель, устройства, пользовательские данные и сторонние сервисы. Такой подход меняет саму конкуренцию: производители смартфонов пытаются продавать уже не только устройство, а комплексную агентную среду — персонального цифрового помощника, работающего на разных экранах и устройствах. Память и эмоции становятся отдельным рынком Одной универсальной операционной системы недостаточно. Агенту нужна долговременная память: понимание привычек пользователя, контекста его задач, прошлых решений и предпочтений. Здесь появляется пространство для независимых продуктов. Одни сервисы помогают сохранять и структурировать личную информацию, другие пытаются создать общий слой памяти, который можно переносить между разными агентами. Это особенно важно: при переходе от одного ИИ-помощника к другому пользователь не должен каждый раз заново объяснять свои проекты, цели и рабочий контекст. Отдельное направление — эмоциональные и компаньонские агенты. Их ценность не в выполнении формальной команды, а в способности вовремя заметить состояние человека, предложить помощь или поддержать разговор. Такие сценарии требуют тонкого понимания контекста, которое крупным платформам может быть сложно реализовать одинаково хорошо для всех. Аппаратные устройства: смартфон больше не единственный центр Смартфон остаётся ключевым устройством, но уже не обязательно будет главным. В эпоху агентов важную роль могут играть умные очки, наушники, носимые устройства, рабочие станции и домашняя электроника. Очки дают агенту возможность видеть окружающий контекст, наушники — постоянно взаимодействовать голосом, носимые гаджеты — фиксировать здоровье и повседневные события. При этом несколько устройств могут работать с одним агентным «мозгом», но обеспечивать разные способы взаимодействия. Такой подход превращает ИИ из функции отдельного приложения в постоянно присутствующую вычислительную среду. Агент сопровождает человека не только в телефоне, но и в дороге, на работе, дома и в коммуникациях с другими сервисами. От приложений — к вызываемым возможностям Последний слой экосистемы — сервисы и инструменты, которые агент может вызывать для выполнения реальных задач. Это могут быть сервисы заказа поездок, бронирования, дизайна, редактирования видео, работы с документами или управления устройствами. В мобильной эпохе пользователь сам выбирал приложение и совершал действия внутри него. В агентной модели приложение превращается в набор доступных ИИ-функций. Например, агент сможет не просто заказать такси, а найти машину с конкретными условиями; не просто открыть видеоредактор, а получить готовый ролик по голосовому описанию; не просто создать макет, а управлять более контролируемым процессом дизайна. Главный вопрос — данные и доверие Будущее Agent-индустрии зависит не только от качества моделей. Ключевым ресурсом становятся пользовательские данные и контекст: история действий, привычки, документы, рабочие процессы, предпочтения и память о предыдущих решениях. Компании хотят сделать свои сервисы открытыми для внешних инструментов, но при этом не готовы делиться накопленными данными и отношениями с пользователем. Поэтому единый открытый рынок агентов в ближайшее время маловероятен. Эпоха агентов не будет простой копией мобильного интернета. Раньше операционная система контролировала вход, приложения выполняли задачи, а устройства служили интерфейсом. Теперь эти границы размываются: операционные системы агентов стремятся напрямую понимать намерения, устройства борются за право стать новым интерфейсом, сервисы памяти и эмоций пытаются занять критически важные ниши, а отраслевые платформы превращают свои услуги в функции, доступные ИИ. Карта этой индустрии пока напоминает постоянно меняющуюся сеть маршрутов. Победит не обязательно тот, у кого самый мощный ИИ. Вероятнее, преимущество получит тот, кто сумеет объединить данные, устройства, сервисы и пользовательское доверие в единую работающую среду.

Искусственный интеллект быстро переходит от роли чат-бота к роли исполнителя задач. На конференции WAIC 2026 главной темой стали AI-агенты — системы, способные не только отвечать на запросы, но и самостоятельно планировать действия, использовать инструменты, взаимодействовать с программами и доводить задачу до результата. По оценке IDC, в 2025 году в мире насчитывалось около 28,6 млн активных агентов. В 2026 году их число может вырасти до 79,4 млн, то есть предприятия фактически получат более 50 млн новых «цифровых сотрудников» за один год. Ключевая перемена заключается в том, что бизнес начинает покупать не отдельные модели, серверы или вычислительные мощности, а готовый результат. Агент должен не просто написать код или подготовить текст, а создать базу данных, развернуть сервис, настроить доступы, обработать документы, составить отчёт или организовать рабочий процесс. Крупные технологические компании строят для этого новую инфраструктуру — так называемое агентное облако. Оно должно позволить агентам безопасно работать с несколькими моделями, корпоративными данными, облачными сервисами и реальными программами. При этом один агент сможет выбирать разные ИИ-модели для разных задач, а не зависеть от одного поставщика. Практическое применение уже выходит далеко за пределы офисной автоматизации. В промышленности агенты разбирают чертежи и формируют производственные задания за минуты вместо часов. В логистике они распределяют транспорт и складские ресурсы. В энергетике помогают планировать развитие электросетей. В научных лабораториях ИИ способен проектировать белковые последовательности, управлять роботизированными экспериментами и анализировать результаты следующих итераций. В некоторых случаях это существенно сокращает сроки работы. Например, процессы, связанные с разработкой белков, которые раньше могли занимать от двух до пяти лет и требовать тысяч экспериментов, теперь пытаются сжать до нескольких месяцев при значительно меньшем количестве тестов. Однако массовое внедрение агентов создаёт и серьёзные риски. По данным, представленным на WAIC, более половины компаний уже используют агентов, но значительная часть проектов может столкнуться с провалом из-за проблем безопасности и управления. Чем больше автономии получает агент, тем важнее контролировать его доступ к данным, системам, финансам и внутренним процессам компании. Главная сложность будущего — не создать одного эффективного агента, а научиться управлять множеством агентов одновременно. Логистический агент должен корректно взаимодействовать с закупочным, финансовый — с маркетинговым, а производственный — с системой поставок и контроля качества. Поэтому следующая стадия развития ИИ — это не просто «агент, который умеет работать», а целая управляемая среда, где цифровые сотрудники действуют совместно, безопасно и под контролем бизнеса. Именно от способности компаний выстроить такую систему будет зависеть, станут ли миллионы агентов реальным источником производительности или новым источником корпоративных рисков.

Развитие искусственного интеллекта всё чаще ставит вопрос не о мощности моделей, а о власти: кто определяет ценности ИИ, его ограничения и цели? Пока технологии создаются в условиях жёсткой коммерческой и геополитической конкуренции, ответ на этот вопрос становится особенно важным. Один из исследователей этой проблемы — философ Иасон Габриэль, работавший в DeepMind. Ещё в 2020 году он сформулировал ключевую мысль: выравнивание ИИ с человеческими ценностями — это не только инженерная задача. Невозможно просто выбрать «правильную» систему ценностей и встроить её в алгоритм, потому что общество само состоит из людей и групп с разными, а иногда несовместимыми представлениями о справедливости, свободе, безопасности и благополучии. Традиционно в дискуссии об ИИ существуют два подхода. Сторонники AI Safety сосредоточены на риске появления слишком автономных и мощных систем, которые могут начать оптимизировать неверно заданные цели. Сторонники AI Ethics, напротив, напоминают о уже существующих проблемах: дискриминации алгоритмов, непрозрачности решений, нарушении приватности, концентрации власти и усилении социальных предубеждений. На практике эти вопросы нельзя разделить. ИИ может быть технически безопасным, но несправедливым. Он может выполнять команды пользователя, но причинять вред другим людям. Может защищать коммерческие интересы разработчика, ограничивая интересы общества. Поэтому Габриэль предлагает рассматривать выравнивание как отношения сразу между четырьмя сторонами: системой ИИ, пользователем, разработчиком и обществом. Это особенно важно для агентов — ИИ, которые не только отвечают в чате, но и действуют от имени человека: бронируют услуги, управляют данными, совершают операции, взаимодействуют с программами и организациями. Ошибка такого агента — уже не просто неточный ответ, а действие в реальном мире. Однако философские и этические вопросы разворачиваются на фоне другой реальности: крупнейшие компании вкладывают сотни миллиардов долларов в ИИ-инфраструктуру, а государства рассматривают ИИ как стратегический ресурс. В таких условиях разработчики испытывают давление рынка, конкурентов, инвесторов и властей. Этические команды могут предупреждать о рисках, но не всегда способны определять, будет ли продукт выпущен, где применён и кто получит к нему доступ. Поэтому вопрос «чему должен следовать ИИ?» нельзя оставлять только инженерам или корпорациям. Он связан с устройством демократии, защитой данных, правилами использования ИИ в военной сфере, доступом к инфраструктуре и распределением экономической выгоды. Искусственный интеллект не является нейтральным инструментом. Он отражает выборы тех, кто формирует данные, задаёт цели, определяет допустимые действия и контролирует доступ к технологии. Чем глубже ИИ входит в образование, медицину, работу, управление и личную жизнь, тем важнее, чтобы эти решения принимались не в закрытых кабинетах нескольких компаний. Главный вызов эпохи ИИ — не заставить машину выполнять человеческие команды. Гораздо сложнее решить, какие именно человеческие ценности она должна учитывать и кто имеет право сделать этот выбор.

Современная бытовая техника рассчитана на долгую службу: холодильник обычно покупают на 10–15 лет, кондиционер — минимум на 8–10 лет. Но встроенный в неё искусственный интеллект может устареть уже через год-два. Показательный пример — обновления умных холодильников. Новые модели получают более мощные ИИ-функции: распознавание продуктов, рекомендации рецептов, естественное голосовое управление и интеграцию с большими языковыми моделями. Однако устройства, выпущенные всего годом раньше, часто остаются без этих возможностей, хотя относятся к той же линейке и продолжают исправно работать как холодильники. Проблема в разной скорости развития двух отраслей. Бытовая техника меняется десятилетиями, а ИИ — каждые несколько месяцев. Производители могут выпустить новое поколение устройств с более мощным процессором, современными датчиками и новой моделью ИИ, но не всегда способны или готовы обновлять старые устройства. В результате покупатель платит за «умность», которая может оказаться временной. Устройство остаётся рабочим, но его интеллектуальные функции перестают развиваться, а иногда исчезают совсем — например, после отключения серверов или прекращения программной поддержки. Особенно опасно, когда прекращение обновлений касается подключённой к интернету техники. Холодильник, духовка или кондиционер могут продолжать выполнять базовые функции, но становятся уязвимыми для кибератак, если больше не получают обновления безопасности. В Китае с 1 мая 2026 года начали действовать новые национальные стандарты для умной бытовой техники. Они вводят пять уровней интеллектуальности — от L1 до L5. На начальных уровнях устройство работает по заранее заданным правилам, а более высокие уровни предполагают адаптацию к условиям, использование нескольких источников данных и генеративные ИИ-возможности. Такая классификация должна помочь покупателям понять, за что именно они платят. Многие устройства, которые раньше рекламировались как «AI-техника», по новой шкале, вероятно, окажутся лишь на уровнях L1–L2: они умеют подключаться к приложению и выполнять ограниченные сценарии, но не обладают серьёзной способностью к обучению или самостоятельной адаптации. Однако одних уровней недостаточно. При покупке ИИ-техники важно уточнить три вещи: какой уровень интеллектуальности заявлен производителем; на какой срок гарантированы OTA-обновления программного обеспечения; сохранит ли устройство основные функции без интернета и облачного сервиса. Последний пункт особенно важен: холодильник должен охлаждать, а кондиционер — работать даже после отключения облака. Интеллектуальные функции не должны превращать базовую технику в зависимый от сервера сервис. Новые стандарты — шаг к более прозрачному рынку, но пока они носят рекомендательный характер. Поэтому реальная ценность ИИ-техники будет зависеть не столько от громкой надписи «AI» на корпусе, сколько от запаса вычислительной мощности, качества датчиков и честного обещания производителя поддерживать устройство в течение многих лет.