Социальные сети

В 2026 году конкуренция между OpenAI и Anthropic вышла на новый уровень — и впервые возник серьёзный вопрос: лидер сменился? Короткий ответ: ещё нет, но баланс сил резко выровнялся. Anthropic появился не как случайный стартап, а как «ответвление» OpenAI. его основали бывшие ключевые исследователи OpenAI причина — разногласия по поводу приоритетов: OpenAI делал ставку на масштаб и скорость Anthropic — на безопасность и контроль (alignment) Anthropic выбрал более осторожную стратегию и даже сознательно пропустил запуск уровня ChatGPT, опасаясь рисков. В итоге: OpenAI захватил массовый рынок Anthropic ушёл в корпоративный сегмент Со временем различия стали ещё глубже. OpenAI: ставка на массовость огромная пользовательская база интеграции (Microsoft, Apple) возможная модель с рекламой высокая нагрузка на инфраструктуру Anthropic: ставка на бизнес-клиентов упор на надёжность и безопасность длинный контекст, кодинг, агенты более высокая маржинальность стабильные корпоративные контракты Проще говоря: OpenAI = «AI как продукт для всех» Anthropic = «AI как корпоративный сервис» Свежие данные показывают неожиданный разворот: выручка Anthropic (ARR) ≈ $30 млрд OpenAI ≈ $24–25 млрд оценка Anthropic доходит до $1 трлн OpenAI — около $880 млрд Параллельно: OpenAI сталкивается с оттоком пользователей усиливается давление со стороны Google (в потребительском сегменте) внутри компании — кадровые потери и управленческие кризисы Anthropic, наоборот: усиливается за счёт притока талантов получает поддержку Amazon доминирует в enterprise и агентных сценариях В 2026 ключевая конкуренция сместилась: от чат-ботов → к AI-агентам от развлечений → к рабочим процессам И здесь у Anthropic есть преимущества: лучше работает с длинным контекстом сильнее в коде и сложных задачах удобнее для автоматизации процессов Поэтому многие используют гибрид: GPT — для скорости Claude — глубокой работы Несмотря на проблемы, списывать OpenAI рано. У него остаются сильные стороны: глобальный бренд (ChatGPT) огромная пользовательская база мощная экосистема (Microsoft, Apple) лидерство в мультимодальности Кроме того, OpenAI делает ставку на масштабную монетизацию (включая рекламу), что может дать взрывной рост выручки. Anthropic пока не «перевернул» OpenAI, но: разрыв исчез в enterprise-сегменте Anthropic уже впереди в массовом рынке OpenAI всё ещё доминирует Это больше не ситуация «лидер и догоняющий». Это две равные силы с разными моделями будущего.

Пока рынок обсуждал DeepSeek V4 за его низкую стоимость и сильные навыки программирования, компания неожиданно сделала следующий шаг — начала тестировать режим распознавания изображений. Фактически речь идёт о долгожданной мультимодальности: теперь модель не только «читает текст», но и «видит». Хотя функция пока доступна лишь ограниченному числу пользователей, первые тесты уже позволяют понять: прорыв есть — но до идеала ещё далеко. В базовых сценариях DeepSeek показывает уверенные результаты. Подробное описание изображений. Модель способна точно передавать детали сцены, включая освещение, композицию и даже стиль съёмки. В некоторых случаях она распознаёт персонажей и контекст настолько точно, что по её описанию можно воссоздать изображение. Анализ объектов и контекста. При включении «режима размышления» модель не просто описывает, а пытается интерпретировать увиденное: разбивает объект на части, определяет его происхождение и культурный контекст. Например, она смогла связать музейный экспонат с эстетикой Могольской империи. Распознавание сложных сцен. Даже на перегруженных изображениях (например, с выставок) модель способна извлекать текст, понимать происходящее и правильно определять тип события. В целом, для повседневных задач — «что это на фото?», «где это снято?», «что здесь происходит?» — уровень уже вполне рабочий. Основная проблема — ограниченность базы знаний. новые игры, продукты или тренды могут не распознаваться модель делает выводы по косвенным признакам, иногда ошибаясь Например, она может понять, что на изображении есть Pokémon, но не узнать конкретную новую игру. Или правильно определить тип устройства, но перепутать модель. Самые большие трудности начинаются там, где требуется не просто «видеть», а считать и логически анализировать изображение. ошибки в подсчёте объектов (например, количество фигур) неспособность распознавать скрытые элементы провалы на визуальных головоломках и тестах Даже относительно простые задачи вроде «сколько объектов на картинке» могут приводить к внутренним противоречиям и неверным ответам. Сложные графические логические задачи (аналог тестов на IQ) тоже даются тяжело: модель может долго «размышлять», но часто ошибается. По итогам тестов становится понятно: текущая версия — это скорее надстройка над текстовой моделью, а не полноценная мультимодальная система. визуальный модуль работает хорошо на уровне восприятия но слаб в знаниях и сложной логике интеграция с основным «мышлением» модели пока ограничена Тем не менее, главное уже произошло: технология «зрения» у DeepSeek фактически заработала. Появление мультимодальности — критический шаг для всей индустрии: меняется способ взаимодействия с ИИ («увидел — спросил») открываются новые сценарии: шопинг, путешествия, обучение усиливается конкуренция между китайскими моделями (Doubao, Qwen и др.) DeepSeek закрывает последний крупный пробел в своей экосистеме — и тем самым усиливает позиции на рынке. DeepSeek действительно «прозрел» — но пока видит не всё. базовое визуальное понимание — на хорошем уровне сложная логика и свежие знания — слабое место полноценная мультимодальность — ещё впереди Тем не менее, это уже достаточный сигнал: следующая фаза конкуренции ИИ будет не только про текст и код, но и про способность понимать мир так, как это делает человек — через зрение.

К апрелю 2026 года кремниевая долина столкнулась с неожиданным побочным эффектом повсеместного внедрения ИИ — «культом токенов». История вокруг внутреннего рейтинга Meta (запрещённой в России) под названием Claudeonomics стала яркой иллюстрацией того, как правильные намерения превращаются в абсурдную гонку за показателями. Внутри компании был запущен рейтинг, в котором 85 тысяч сотрудников соревновались в потреблении ИИ-ресурсов (токенов). Участники получали статусы — от «бронзы» до «Легенды токенов». Азарт дошел до того, что некоторые инженеры умудрялись сжигать за месяц до 328,5 миллиарда токенов, что по рыночным ценам эквивалентно $2 млн на одного человека. Цифры поражают: за месяц сотрудники Meta потребили более 60 триллионов токенов — это в три раза больше, чем объем всех когда-либо изданных книг в истории человечества. Проблема оказалась не только в расходах, но и в имитации бурной деятельности. Как только потребление токенов стало влиять на оценку достижений, сотрудники начали «накручивать» показатели: Писать скрипты-автокликеры для ИИ. Дробить мельчайшие правки кода на десятки лишних задач. Создавать ботов для расшифровки совещаний, которыми заставляли пользоваться коллег (чтобы «заработать» токены на свой счет). Это явление напомнило старую инженерную шутку о программистах, чью эффективность измеряли количеством строк кода: в итоге они писали максимально длинный и запутанный код вместо лаконичного и рабочего. Генеральный директор Box Аарон Леви справедливо заметил: когда расход ресурсов («бензин») путают со скоростью движения («результат»), система ломается. ИИ-агенты сегодня могут работать 24/7, тратя ресурсы, пока человек спит, но это не означает, что продукт становится лучше. Тем не менее, такие гиганты, как NVIDIA и Meta, продолжают посылать рынку неоднозначные сигналы. Дженсен Хуанг (NVIDIA) заявлял, что будет «обеспокоен», если высокооплачиваемый инженер тратит мало токенов, считая это признаком отсталости. К 2026 году стало очевидно, что внедрение ИИ проходит через «детскую болезнь» метрик. По-настоящему эффективными оказываются не те, кто больше «сжег», а те, кто привязал использование ИИ к бизнес-результатам: Сокращению времени выхода продукта на рынок. Автоматизации рутинных отчетов и почты. Качеству клиентской поддержки. История с Meta, где рейтинг в итоге пришлось спешно закрыть под давлением общественности, учит нас важному: ИИ — это мощный рычаг, но если давить на него ради самого процесса, можно просто сломать механизм, не сдвинувшись с места.

Новая презентация Amazon — это уже не про отдельные функции или модели. Это про попытку определить, как вообще будет устроена работа в компаниях в эпоху AI-агентов. Главный герой — Amazon Quick. Его в шутку называют «облачным лобстером» (по аналогии с популярными AI-агентами), но по сути это не просто ассистент, а постоянно работающий цифровой коллега внутри компьютера. Quick живет прямо в рабочей среде пользователя и подключается ко всему сразу: почта (Outlook, Gmail) мессенджеры (Slack, Teams) календари CRM и рабочие системы локальные файлы Без ручной загрузки данных — только через доступы. Самое важное — он понимает контекст. Например, достаточно сказать: «Назначь встречу с коллегой и обсудим стратегию». И система сама: поймет, о каком проекте речь проверит календари и таймзоны отправит приглашения уведомит участников в мессенджере Без переключений между вкладками и копипаста. В отличие от обычных AI-инструментов, Quick не ждёт запроса. Он: отслеживает ваши задачи, встречи и переписку заранее готовит материалы собирает нужные документы и данные формирует отчеты или презентации Перед встречей он может автоматически собрать: переписку с клиентом прошлые документы внутренние данные компании и выдать готовый бриф или даже презентацию Основа — «карта работы». Внутри Quick — граф знаний, который связывает: людей проекты задачи решения Это превращает AI из инструмента в систему, которая понимает рабочие процессы, а не просто отвечает на вопросы. Amazon прямо формулирует три уровня, на которых работает Quick: Личный уровень — письма, встречи, документы Командный — общие рабочие пространства и процессы Корпоративный — AI становится частью операционной модели компании Параллельно произошло еще более важное: модели OpenAI (включая GPT-5.4 и будущий GPT-5.5) приходят в AWS Bedrock Codex интегрируется в облако появляются Managed Agents с инфраструктурой AWS Это значит, что компании теперь могут: использовать разные модели в одном месте запускать агентов в безопасной среде не строить инфраструктуру с нуля Отдельный блок — Amazon Connect, который превратился в набор готовых AI-решений: Decisions — управление цепочками поставок Talent — автоматизация найма Customer — клиентская поддержка Health — медицинские процессы По сути, Amazon упаковывает свой 30-летний операционный опыт в AI-агентов. Amazon вводит термин Humorphism — «человекообразный дизайн». Идея простая: раньше интерфейсы копировали объекты (папки, кнопки), теперь они должны копировать поведение коллег. AI: помогает, когда ты застрял не мешает, когда ты занят действует как член команды Если собрать всё вместе (Quick + Bedrock + Connect), становится ясно: Agent — это новая операционная система бизнеса. Не инструмент, не чат, не плагин — а слой, через который проходит вся работа. И главный вопрос уже не в том, «используешь ли ты AI», а в том: перестроил ли ты под него свою работу — или просто наложил его поверх старых процессов.

В 2026 году у индустрии искусственного интеллекта появился новый, неожиданный «расход»:личная безопасность топ-менеджеров. Если раньше главной темой были GPU и вычисления, то теперь — охрана, риски и физические угрозы. И это не метафора. Серия тревожных инцидентов показывает сдвиг: попытка нападения у дома Сэма Альтмана, вооружённые атаки на публичных мероприятиях, списки «целей», где фигурируют AICEO. Общее у этих случаев одно: AI перестал быть просто технологией — он стал эмоциональной точкой напряжения. Большинство людей не понимают: как устроены модели, как работают дата-центры, как принимаются технологические решения. Зато они видят лица: OpenAI = Альтман NVIDIA = Хуанг xAI = Маск Сложная индустрия сжимается до конкретных людей. И вместе с вниманием они получают не только признание, но и накопленное недовольство общества. Исследования показывают: отношение к AI становится всё более настороженным. Люди связывают с ним: потерю работы, угрозы приватности, влияние на детей, изменение социальной структуры. При этом сами решения принимаются «где-то наверху» — в компаниях и кабинетах, куда у большинства нет доступа. Возникает ощущение: будущее решается без нас — но влияет на всех. Ответ индустрии — резкое усиление охраны: персональные команды безопасности, мониторинг соцсетей в реальном времени, анализ угроз до появления инцидентов, контроль перемещений и публичной активности. Фактически появляется новая инфраструктура — «человеческий firewall» вокруг CEO. Причём это уже не просто телохранители, а гибрид: аналитиков, специалистов по рискам, и оперативной защиты. Есть явное противоречие: AI обещает будущее, где всё станет более цифровым, но защита этого будущего остаётся максимально «физической»: люди, маршруты, двери, контроль доступа. Чем более абстрактным становится продукт, тем более реальными становятся риски. Главная причина — не технологии сами по себе, а нарратив вокруг них. AI сегодня продаётся как: революция, трансформация общества, изменение судьбы человечества. Но чем масштабнее обещание, тем сильнее реакция: страх, скепсис, раздражение, агрессия. И всё это концентрируется на конкретных фигурах. AI-индустрия столкнулась с новой фазой зрелости: она больше не только про технологии и бизнес,она про социальное напряжение и ответственность. И главный вывод здесь довольно жёсткий: чем сильнее компания пытается стать «лицом будущего», тем выше шанс, что это лицо станет мишенью настоящего.

К 2026 году рынок китайских «сетевых фильмов» пережил почти полный цикл: от бурного роста до системного кризиса — и теперь к осторожному перезапуску. И главную роль в этом неожиданно начинает играть искусственный интеллект. Ещё несколько лет назад бюджеты онлайн-фильмов могли достигать десятков миллионов юаней. Отдельные проекты стоили до 200 млн, а индустрия пыталась приблизиться к уровню кинотеатров. Но к 2025–2026 году произошёл резкий обвал: бюджеты упали до 2–6 млн юаней, проекты с бюджетом выше 1000 млн стали редкостью, окупаемость резко снизилась — «выйти в ноль» стало считаться успехом. Это не просто спад — это структурное сжатие отрасли. Главная причина — не только экономика, а перераспределение внимания аудитории. Зрители ушли: в короткие вертикальные сериалы, в стриминг, в анимацию и AI-контент. Именно эта аудитория раньше составляла основу потребления онлайн-фильмов. Когда её «перехватили» более быстрые и дешёвые форматы, сама модель монетизации начала рушиться. Попытка спасти индустрию через формат «почти кино» (так называемый «облачный кинотеатр») провалилась. Дорогие проекты не окупались: бюджеты росли, а доходы оставались ограниченными потолком платформ. Отдельной надеждой была модель «сначала в кино, потом в онлайн». Предполагалось, что прокат даст рекламу, а онлайн — деньги. На практике всё оказалось иначе: большинство фильмов проваливались в кинотеатрах, онлайн давал лишь частичную компенсацию, высокие бюджеты делали убытки ещё глубже. По сути, онлайн стал не источником прибыли, а последним шансом хоть что-то вернуть. Переломный момент связан с новой стратегией платформ — резкое снижение затрат + внедрение AI. Теперь модель выглядит иначе: бюджет ограничен (до ~6 млн юаней), съёмки минимальны, спецэффекты и часть продакшена делают нейросети, сроки сокращаются до 2–3 месяцев. Более того, платформы начали: субсидировать AI-проекты, вводить гарантированные выплаты (чтобы снизить риски), стимулировать долю AI-контента. В результате впервые за несколько лет появляется шанс «свести экономику». Параллельно индустрия резко сократила разнообразие. Выжили два основных направления: криминал и боевики — стабильный спрос и контролируемые бюджеты, комедии — потенциально высокая окупаемость, но дефицит качественных авторов. А вот прежние «визуальные» жанры (монстры, катастрофы, фэнтези) почти исчезли. Причина проста: их главный козырь — зрелищность — теперь бесплатно воспроизводится AI-контентом в коротких видео. Вместо гонки за «большим кино» индустрия пришла к более прагматичной логике: не масштабироваться, а сжиматься до устойчивого размера, не гнаться за хитами, а обеспечивать стабильную окупаемость, не копировать кинотеатры, а принять собственные ограничения. Дополнительно изменилась и структура финансирования: проекты чаще делают в складчину (несколько участников делят риски), платформы больше не ставят всё на один фильм, ставка делается на портфель, а не на «хит». Онлайн-фильмы в Китае действительно «умерли» — в том виде, в котором они пытались стать дешёвой версией большого кино. Но именно отказ от этой модели и приход AI дали индустрии второй шанс. Теперь это уже не попытка догнать кинотеатры, а отдельный формат: с низкими бюджетами, быстрым производством, чётко ограниченной аудиторией, и экономикой, которую наконец можно посчитать. И если раньше вопрос звучал «как сделать дороже и больше», то в 2026 году он звучит иначе: как сделать достаточно дешево, чтобы это вообще имело смысл.

После выхода нового генератора изображений GPT Image-2 разговоры о будущем дизайна резко обострились. Впервые широкая аудитория увидела, что за несколько секунд можно получить «почти рекламную» картинку — с композицией, светом и текстом. Это вызвало прямой вопрос: а нужны ли теперь дизайнеры вообще? Короткий ответ — да, нужны. Но их роль меняется. Главное изменение — не в качестве картинок, а в восприятии труда. Если раньше создание визуала начиналось с пустого холста, теперь клиент или менеджер может прийти уже с AI-картинкой и сказать: «Вот направление, просто доработай». Проблема в том, что такая «готовая» картинка почти всегда непригодна для реального использования: текст нельзя редактировать, нет слоев и исходников, нарушена логика композиции, не соблюдены брендовые стандарты, невозможно адаптировать под разные форматы. В итоге дизайнер не «чуть-чуть правит», а фактически делает работу заново — просто отталкиваясь от AI-референса. Но снаружи это выглядит как мелкая доработка, из-за чего обесценивается труд. Несмотря на тревоги, сами дизайнеры активно используют такие инструменты. Они хорошо работают в начале процесса: быстрый поиск визуального направления, генерация референсов, создание moodboard’ов, проверка идей. AI резко ускоряет старт, но не заменяет финальную работу. Он похож на очень способного ассистента, который умеет красиво «накидать варианты», но не понимает ограничений реального мира. Особенно это видно в прикладных задачах — например, в упаковке. Красивая AI-картинка может выглядеть как готовый продукт, но: не учитывает конструкцию коробки, не содержит обязательной информации, игнорирует ограничения печати, не продумана для полки и логистики. Чтобы превратить «картинку» в продукт, нужен опыт, инженерное мышление и знание производства — то, чего у модели нет. Для фрилансеров и студий AI создал новую сложность — переговоры с клиентами. Клиенты всё чаще приходят с готовыми изображениями и ожидают низкую цену за «доработку». Но на практике работа остаётся полной: нужно адаптировать, пересобрать, подготовить файлы и обеспечить результат. Парадокс в том, что AI одновременно: снижает ожидания по цене, но не снижает ответственность за итог. Наибольшее давление испытывают начинающие дизайнеры. Именно базовые задачи — ретушь, баннеры, простая верстка — быстрее всего автоматизируются. А ведь именно через эти задачи раньше формировалось понимание: композиции, иерархии, визуального акцента, коммерческой логики дизайна. Если этот «тренировочный слой» исчезает, возникает вопрос: как теперь учатся новички? Опытные дизайнеры всё чаще говорят: AI удешевляет стиль, но делает дороже выбор. Когда любой может сгенерировать «красивую» картинку, ценность смещается в другое: понимание бренда, умение выбирать, а не просто создавать, способность делать систему, а не отдельный визуал, ответственность за результат. Именно это отличает дизайн от генерации изображений. GPT Image-2 не «убил» дизайн. Он убрал дефицит в самой простой части работы — создании картинки. Но дизайн никогда не был только про картинку. Это: адаптация, системность, соответствие задаче, и, главное, ответственность за результат. Поэтому правильнее сказать так: не профессия рушится, а её нижний слой упрощается. А всё, что связано с мышлением, выбором и доведением до реального результата, наоборот, становится ещё важнее.

Ещё недавно казалось, что искусственный интеллект станет «дешёвым помощником для всех». Но в 2026 году рынок резко развернулся: модели дорожают, бесплатные лимиты сокращаются, а использование ИИ всё чаще превращается в ощутимую статью расходов. И парадоксально — на этом фоне выигрыват обычные сотрудники. С начала года индустрия столкнулась с настоящей «инфляцией токенов»: топовые модели стали дороже облачные вычисления подорожали бесплатные лимиты резко урезали Теперь даже обычный рабочий сценарий может стоить ощутимых денег. Например: сложный запрос к модели может «съесть» значительную часть лимита генерация видео — несколько долларов за секунды результата анализ больших документов — сотни долларов за сессию ИИ перестал быть игрушкой — он стал инфраструктурой с ценником. Причин несколько, и все они структурные. 1. Изменился характер использованияЕсли раньше люди писали стихи и письма, теперь они загружают: огромные отчёты кодовые базы научные статьи Объёмы данных выросли кратно — вместе с затратами. 2. Появились агенты (Agent)ИИ больше не отвечает на один вопрос — он выполняет целые цепочки действий: ищет информацию проверяет гипотезы делает итерации За одним запросом могут стоять тысячи внутренних операций и миллионы токенов. 3. Подорожала инфраструктура память (HBM) электричество охлаждение дата-центров Всё это делает вычисления дороже — и цена перекладывается на пользователей. Сегодня токены — это уже не абстракция, а полноценный ресурс, сравнимый с энергией. ИИ становится чем-то вроде коммунальной услуги: как интернет как электричество как мобильная связь Появляется даже идея: каждому человеку нужен отдельный бюджет на ИИ. И вот здесь возникает главный парадокс. Когда компании начали считать расходы, выяснилось: интенсивное использование ИИ может стоить дороже аутсорса сложные задачи требуют дорогих моделей ошибки ИИ всё ещё нужно исправлять В результате во многих случаях человек оказывается экономически выгоднее. Причины очевидны: человек работает без затрат на вычисления не требует серверов и энергии умеет понимать контекст и «между строк» может сам исправить ошибки ИИ может ускорить работу — но не всегда дешевле её заменить. Рынок постепенно делится на два уровня: базовый ИИ — дешёвый или бесплатный (например, open-source) премиум ИИ — дорогой, но более точный и надёжный Именно второй сегмент используется в бизнесе — и именно он дорожает быстрее всего. Несмотря на рост цен, отказаться от ИИ уже сложно. Как и со смартфонами раньше: сначала — удобство потом — зависимость затем — необходимость Компании и сотрудники уже встроили ИИ в рабочие процессы — и назад пути нет. Мы входим в странную фазу: ИИ становится мощнее ИИ становится дороже человек остаётся дешевле во многих задачах Это не означает «победу людей над ИИ». Скорее — временное равновесие. Но важный вывод уже ясен: ИИ — не бесплатная магия, а дорогая инфраструктура.И пока её стоимость растёт, у человека остаётся сильное преимущество — экономическая эффективность. По крайней мере, на ближайшее время.

В 2026 году слово token стало почти синонимом стоимости AI. Компании считают их триллионами, пользователи — в счетах, а индустрия всё чаще называет их «новой валютой». Но с точки зрения экономики это сравнение — удобное, но неверное. Token действительно похож на деньги: он измеряет использование, через него происходит оплата. Но на этом сходство заканчивается. У него нет: универсальности (токены разных платформ несовместимы), свободного обращения, стабильной ценности. Грубо говоря, это не деньги, а скорее единица потребления, как киловаттчас в энергетике. Token выполняет сразу две роли: измеряет затраты (сколько ресурсов потрачено), и одновременно отражает ценность результата (насколько полезен ответ). В классической экономике эти вещи разделены. Здесь — объединены, и именно это ломает привычные модели. В старой ITэкономике вы платили за: сервер, время вычислений, ресурсы. Теперь вы платите за: результат мышления. Это радикальный сдвиг: не «час работы CPU», а «способность решить задачу». И цена определяется не столько затратами, сколько уровнем интеллекта модели. Один и тот же объём токенов может стоить поразному, потому что: дешёвые модели = базовые задачи, дорогие модели = сложные решения, бизнесценность. Это уже не сырьевой рынок, а рынок с качественными уровнями — рынок “градаций интеллекта”. Цена токена складывается из двух слоёв: Снизу — физика: чипы (GPU), энергия, инфраструктура Сверху — интеллект: качество модели, данные, талант разработчиков Со временем «якорь цены» смещается: GPU → энергия → знания и талант. Как и в энергетике или вычислениях, цена падает: железо становится эффективнее, алгоритмы — оптимизированнее, архитектуры — экономичнее. За несколько лет цены уже упали на десятки раз, и базовый интеллект движется к состоянию «почти бесплатного». Но это не значит, что AI станет бесплатным. Когда токены дешевеют, появляются новые ограничения: внимание человека, качество данных, надёжность результата. Экономика не исчезает — она просто смещает фокус. Раньше AI использовали люди. Теперь — всё чаще агенты. И это меняет всё: системы работают 24/7, агенты вызывают других агентов, создаётся лавинообразный рост потребления. Это классический эффект: чем дешевле ресурс → тем больше его используют. Рост не бесконечен.Компании быстро начинают считать: если AI тратит токены, но не создаёт ценность — его отключают. Поэтому рынок движется к новой метрике: ценность на один токен, а не просто объём. Один токен может: помочь принять миллионное решение, или уйти в бессмысленный диалог. Поэтому: объём ≠ ценность. Настоящий показатель — это: продуктивные токены, и их эффективность. Token — это не деньги и не просто вычисления. Это: единица доступа к интеллекту. И главное изменение не в цене, а в логике экономики: раньше платили за ресурсы, теперь платят за мышление, а в будущем — за результат. И в этой системе выигрывает не тот, у кого больше токенов, а тот, кто умеет превращать их в реальную ценность.

На конференции Sequoia AI 2026 прозвучала мысль, которая точно описывает текущий момент: искусственный интеллект перестал быть просто инструментом ускорения — он начал переписывать сами правила работы. Когда Андрей Карпаты спокойно сказал, что уже не помнит, когда в последний раз вручную исправлял вывод ИИ, это прозвучало не как громкое заявление, а как констатация новой реальности. Главное изменение — в способе работы. Раньше: человек детально прописывал шаги машина исполняла инструкции Теперь: человек формулирует цель модель сама находит путь Это кажется просто ускорением, но на самом деле исчезает целый слой — промежуточная логика, на которой строились продукты и бизнесы. Классический пример: раньше, чтобы по фото меню показать блюда, нужно было собрать целое приложение — распознавание текста, генерация изображений, интерфейс. Теперь достаточно загрузить фото и дать команду — модель делает всё сама. И это разрушает привычную логику создания продуктов. Пользователю не нужен инструмент — ему нужен результат. Исчезновение «промежуточного слоя» Под удар попадают целые классы продуктов: конвертеры форматов инструменты обработки данных часть low-code платформ Их ценность была в том, что они упрощали путь к результату. Но если путь больше не нужен — исчезает и ценность. Новая точка ценности смещается: не «как сделать», а «что считать правильным результатом». Карпаты сравнивает современные AI-агенты со стажёрами: могут выполнять большие объёмы работы но иногда допускают странные ошибки Ключевой критерий автоматизации — проверяемость. Если результат можно однозначно проверить (код работает, данные корректны) — задача быстро уходит к ИИ. Если требуется оценка, интерпретация, выбор — человек остаётся. Но граница постоянно сдвигается. Даже «творческие» задачи становятся автоматизируемыми, если у них появляется критерий проверки (например, соответствие бренду или требованиям). В итоге: машина делает выполнение человек определяет рамки и цели Речь больше не идёт о замене профессий целиком. Любая работа раскладывается на: 70–80% — рутинные, проверяемые задачи 20–30% — принятие решений и смысл Именно первые быстро автоматизируются. Это касается: дизайнеров юристов бухгалтеров разработчиков Человек остаётся там, где нужно определить, что правильно и почему. Демис Хассабис (Google DeepMind) обозначил ориентир: AGI может появиться к 2030 году. Это создаёт новую проблему для бизнеса и карьеры: стартапы живут 5–8 лет за это время может полностью измениться технологическая база Вывод: нужно строить то, что переживёт очередной скачок моделей. Рекомендация проста, но радикальна: уходить в deep tech (наука, медицина, материалы) работать с физическим миром создавать решения, которые нельзя «обнулить» новым апдейтом модели В чисто программных продуктах устойчивость резко снижается — их легче всего «съедает» прогресс ИИ. Самый важный вывод конференции звучит почти философски: можно делегировать мышление, но нельзя делегировать понимание ИИ может: генерировать анализировать выполнять Но он не может: определить, что действительно важно понять, зачем это нужно выбрать правильную цель И именно это становится главным человеческим преимуществом. Ссылки: