Социальные сети

Гонка в сфере искусственного интеллекта все заметнее выходит за пределы лабораторий и дата-центров: теперь ключевым ресурсом становится не только качество моделей, но и доступ к электроэнергии. По данным из утечки инвестиционного меморандума, OpenAI рассчитывает к 2030 году довести свои вычислительные мощности до 30 ГВт. В теории, если такая инфраструктура будет работать на полной нагрузке круглый год, потребление может составить около 262,8 ТВт·ч — почти 6% от всей выработки электроэнергии США в 2025 году. Эта цифра выглядит почти фантастической, но она хорошо показывает масштаб амбиций компании. OpenAI уже больше не делает ставку только на «умность» моделей или лидерство в бенчмарках. Судя по риторике компании, следующим главным преимуществом становится инфраструктура: кто сможет обеспечить себе больше вычислений, тот и получит решающее преимущество в ИИ-гонке. Основой этой стратегии стал проект Stargate, запущенный в 2025 году при участии OpenAI, SoftBank, Oracle и MGX. Изначально речь шла о вложениях до 500 млрд долларов и стартовой мощности 10 ГВт, но уже за неполный год проект вырос от первых обещаний до 5 ГВт, затем почти до 8 ГВт, а теперь в обсуждениях фигурирует и планка в 30 ГВт к 2030 году. По сути, OpenAI превращается из разработчика моделей в крупного инфраструктурного игрока, который одновременно работает с землей, строительством, энергосетями, охлаждением и поставками чипов. На этом фоне особенно заметно противостояние с Anthropic. Если раньше компании соперничали прежде всего качеством моделей, то теперь в ход идёт более жёсткий аргумент — доступная мощность. По данным из того же меморандума, OpenAI оценивает свою фактически доступную вычислительную мощность в 2025 году в 1,9 ГВт против примерно 1,4 ГВт у Anthropic. Логика проста: даже сильная модель бесполезна, если у компании не хватает ресурсов, чтобы стабильно обслуживать спрос и масштабировать продукт. Впрочем, между заявленными планами и реальностью лежит огромная дистанция. Даже сами 8 ГВт, о которых OpenAI говорит публично, — это прежде всего планируемая мощность, а не уже полностью введенная в строй инфраструктура. Реальные ограничения хорошо известны: нехватка трансформаторов, долгие сроки подключения к сетям, согласования с местными властями, экологические споры и рост стоимости электроэнергии. Иначе говоря, главная проблема ИИ-индустрии сегодня — уже не только алгоритмы, но и способность быстро построить физический мир вокруг этих алгоритмов. Именно поэтому история с 30 ГВт важна даже как гипотетический сценарий. Она показывает, что рынок ИИ упирается в «электрическую стену»: дальнейший прогресс зависит не только от талантов инженеров и новых архитектур, но и от состояния энергосистемы. Чем ближе компании подходят к амбициям уровня AGI, тем сильнее они начинают зависеть от очень традиционных отраслей — энергетики, строительства и промышленной логистики. И, похоже, следующая большая битва ИИ-гигантов действительно развернется не только в коде, но и у электростанций.

В 2026 году конкуренция в индустрии искусственного интеллекта все отчётливее раскалывается на два разных подхода. С одной стороны — NVIDIA, символ «поставщика лопат» для золотой лихорадки ИИ. С другой — Google, который строит не инструменты, а целостную систему производства и потребления интеллекта. И хотя обе компании говорят об одном и том же — токенах, — на самом деле они играют в разные игры. NVIDIA видит рынок со стороны предложения. Дженсен Хуанг на GTC 2026 назвал дата-центры «фабриками по производству токенов» и оценил будущий спрос на вычисления в триллион долларов. Логика проста: чем больше моделей, тем больше нужно GPU. Компания продает универсальную инфраструктуру, на которой работают все — от OpenAI до Meta. С долей около 80% рынка и мощной экосистемой CUDA NVIDIA фактически стала стандартом индустрии. Google, напротив, смотрит на спрос. Сундар Пичаи на Cloud Next заявил, что компания уже обрабатывает 16 миллиардов токенов в минуту — и этот показатель быстро растет. Эти токены — не абстрактные вычисления, а реальные продукты: поиск, реклама, YouTube, корпоративные сервисы. Google не просто продает мощности — он сам является крупнейшим их потребителем. Отсюда вытекает ключевое различие. NVIDIA продает вычисления как ресурс. Google строит систему, в которой эти вычисления превращаются в продукт. Особенно ярко это проявилось в новом поколении TPU. Впервые Google разделил архитектуру на два типа чипов: отдельные для обучения моделей и отдельные для их использования (инференса). Это решение отражает сдвиг эпохи: если раньше основное внимание было на обучении, то теперь главный фактор — стоимость и эффективность постоянного использования моделей. Именно здесь Google пытается атаковать слабое место NVIDIA. Когда речь идет о долгосрочных нагрузках — миллиардах запросов и работе тысяч ИИ-агентов — решающим становится не пиковая мощность, а стоимость одного действия. TPU уже сегодня обещают заметное снижение совокупной стоимости по сравнению с решениями NVIDIA, а для крупных клиентов это означает миллиарды экономии. Сигналы рынка усиливают эту тенденцию. Крупнейшие игроки начинают диверсифицировать инфраструктуру: Anthropic заключает многомиллиардные сделки на использование TPU, Meta (запрещённая в России) рассматривает переход на альтернативные решения, а Apple интегрирует модели Google в свои продукты. Это не означает немедленного падения NVIDIA, но разрушает ее статус безальтернативного поставщика. При этом краткосрочно позиции NVIDIA остаются крайне сильными. Огромная экосистема, высокая маржинальность и инерция рынка обеспечивают ей лидерство на годы вперед. Но долгосрочная угроза уже проявилась: конкуренция смещается с «железа» на уровень систем. Google делает ставку на следующий этап развития ИИ — эпоху агентных систем. Когда компаниям нужен не отдельный GPU, а управление сотнями и тысячами автономных агентов, ценность смещается от чипа к платформе. В этом мире выигрывает не тот, кто производит вычисления, а тот, кто умеет их организовать и использовать. В итоге речь идет не о прямом противостоянии, а о смене парадигмы. NVIDIA определяет, как создавать вычисления. Google — как их потреблять и превращать в бизнес-ценность. И если раньше выбор был очевиден, то теперь у рынка появляется альтернатива. А для любой доминирующей компании именно это и есть главный риск.

Ночной анонс GPT5.5 стал очередным витком в стремительно обостряющейся гонке между OpenAI и Anthropic. Новая модель не просто улучшает качество ответов — она демонстрирует сдвиг всей индустрии в сторону автономных ИИ-агентов, способных длительно и самостоятельно выполнять сложные задачи. По заявлению OpenAI, GPT5.5 — это самый мощный и «интуитивный» инструмент компании на сегодняшний день. Его ключевое отличие — способность лучше понимать цели пользователя и доводить задачи до конца: писать и отлаживать код, анализировать данные, работать с документами и координировать действия между различными инструментами. Сам Сэм Альтман описал модель просто: «она знает, что нужно делать». Одним из главных прорывов стала устойчивость к длительным задачам. По отзывам тестировщиков, GPT5.5 способен автономно работать до 7–10 часов, последовательно выполняя сложные многошаговые процессы. Это качественно новый уровень по сравнению с предыдущими моделями, которые чаще «теряли нить» в длинных цепочках действий. Особенно заметен прогресс в программировании. GPT5.5 не только пишет код, но и умеет работать как полноценный инженер: сравнивает версии проектов, создает ветки, объединяет изменения и тестирует результат. В ряде бенчмарков он обходит Gemini 3.1 Pro и конкурирует с Claude Opus 4.7, а по совокупной «интеллектуальной метрике» занимает первое место. При этом модель достигает лучших результатов, используя меньше токенов — то есть работает эффективнее. Практические кейсы выглядят почти демонстрацией будущего: от создания 3D-игр «с нуля» до разработки приложений для физических устройств через USB. В научной сфере GPT5.5 уже помогает строить математические модели и анализировать сложные биологические данные — задачи, которые раньше требовали дней работы специалистов. Еще одно важное изменение — поведение модели. Пользователи отмечают, что GPT5.5 стал менее формальным, более «человечным» и кратким. Это выглядит как попытка OpenAI укрепить позиции в сегменте персональных ИИ-агентов, где важна не только точность, но и удобство взаимодействия. На уровне экономики модель также демонстрирует интересный баланс: она дороже GPT5.4 примерно вдвое, но при этом за счет меньшего потребления токенов и более высокой эффективности фактическая стоимость выполнения задач может быть ниже конкурентов. Однако релиз GPT5.5 сразу же вызвал реакцию Anthropic. На фоне жалоб пользователей на ухудшение работы Claude Code компания оперативно объявила об исправлении проблем и даже сбросила лимиты для подписчиков. Это выглядит как прямой ответ на давление со стороны OpenAI, которая явно усиливает позиции в сегменте «агентного» программирования. В целом GPT5.5 отражает более глубокий тренд: индустрия уходит от моделей, которые просто отвечают на вопросы, к системам, которые выполняют работу. Теперь ключевой показатель — не то, насколько умно модель рассуждает, а то, насколько эффективно она может довести задачу до результата. Именно в этом контексте становится понятна новая логика конкуренции. Если раньше компании соревновались в качестве моделей, то теперь — в способности создавать автономные системы, масштабировать их и обеспечивать вычислительными ресурсами. GPT5.5 — это не просто обновление, а шаг к миру, где ИИ становится полноценным исполнителем, а человек — скорее постановщиком задач.

Выход DeepSeek V4 стал одним из самых ожидаемых событий в индустрии ИИ, но вместо окончательных ответов он, скорее, задал новые вопросы. Модель с параметрами до 1,6 трлн, контекстом в 1 млн токенов и оптимизацией под агентные сценарии закрепляет позиции компании среди мировых лидеров — но одновременно подчеркивает, что гонка только начинается. Главная интрига — не в характеристиках, а в том, что стоит за ними. DeepSeek пришлось пройти через серьезные внутренние трудности: неудачные этапы обучения, переход на альтернативную вычислительную инфраструктуру и расхождения в стратегических решениях. Параллельно компания столкнулась с оттоком ключевых специалистов и необходимостью привлекать внешние инвестиции. Это символично: даже самые яркие технологические успехи сегодня невозможны без мощной финансовой и организационной базы. При этом V4 оказался более «сдержанным», чем ожидалось. Несмотря на общий тренд на мультимодальность, DeepSeek сделал ставку на текст и рассуждение, отложив развитие генерации изображений и видео. Причина проста — ограниченные ресурсы. Это еще раз показывает: даже в эпоху хайпа вокруг ИИ ключевым ограничением остаются деньги и вычисления. Но куда важнее те вопросы, которые DeepSeek оставил после себя. Первый — судьба open-source. Еще недавно открытость считалась главным инструментом роста и способом быстро завоевать рынок. Сегодня становится очевидно: без устойчивой бизнес-модели этого недостаточно. Лидеры по выручке — закрытые компании, и индустрия все чаще задается вопросом, может ли открытый подход приносить сопоставимые деньги. Второй — стратегия роста. Успех DeepSeek, достигнутый без масштабных маркетинговых затрат, заставил рынок пересмотреть подход к привлечению пользователей. Массовые рекламные кампании уступают место более точечным стратегиям, ориентированным на конкретные профессиональные сценарии. Третий — баланс между исследованием и практикой. После выхода предыдущих моделей стало ясно: одних «красивых» результатов в бенчмарках недостаточно. Компании все чаще отказываются от гонки за рейтингами в пользу реальных задач пользователей. Но при этом остаётся дилемма: без фундаментальных исследований невозможны настоящие прорывы. Четвертый — организационная модель. DeepSeek показал, что успех в ИИ требует новых форм управления: плоских структур, высокой автономии команд и одновременного масштабирования вспомогательных функций, таких как разметка данных и оценка качества. В индустрии формируется новая «пирамида»: небольшое ядро исследователей и огромная база поддержки. Пятый — фактор людей. Конкуренция за таланты достигла предела: топ-менеджеры лично участвуют в найме, а молодые специалисты становятся ключевым ресурсом. В ИИ сегодня побеждают не только технологии, но и команды. В итоге DeepSeek V4 — это не финальная точка, а переходный этап. Компания стала символом подъема китайского ИИ, но сама же ускорила конкуренцию, заставив рынок двигаться быстрее и жестче. Главный вывод прост: в индустрии больше нет единственного пути. Каждая компания ищет свою стратегию — в архитектуре, бизнес-модели, продуктах. И именно это разнообразие, а не доминирование одного игрока, в конечном итоге и будет двигать ИИ вперед.

На рынке искусственного интеллекта произошёл неожиданный поворот: компания Anthropic, долгое время остававшаяся «вторым номером» после OpenAI, резко вырвалась вперёд по оценке на вторичном рынке. По данным частных торговых площадок, её стоимость приблизилась к 1 триллиону долларов, а в отдельных сделках даже превысила эту отметку. Для сравнения, OpenAI сейчас оценивается примерно в 880 млрд долларов. Это не просто колебание цен — это сигнал о том, что инвесторы начинают иначе смотреть на будущее AI-компаний. Важно понимать: речь идёт не о публичных биржах, а о вторичном рынке долей в частных компаниях. Здесь цена формируется не столько финансовыми показателями, сколько балансом спроса и предложения. В случае Anthropic сошлись сразу два фактора: дефицит акций — текущие инвесторы не спешат продавать доли после резкого роста; высокий спрос — фонды и крупные инвесторы ищут способ «зайти» в топовые AI-компании, доступ к которым ограничен. Когда много денег гонится за ограниченным числом активов, цена начинает расти быстрее фундаментальных показателей. Рост интереса к Anthropic объясняется не только ажиотажем. У компании появились два сильных аргумента для инвесторов: 1. Устойчивый рост выручкиВ индустрии, где технологии быстро копируются, именно доход становится главным доказательством жизнеспособности. Anthropic демонстрирует, что способна превращать модели в реальные деньги — а это ключевой фактор для оценки. 2. Продуктовый рывок с Claude CodeВыход инструментов для программирования усилил позицию компании. Кодинг — один из самых востребованных и монетизируемых сценариев AI. Если Anthropic закрепится в этой нише, она сможет контролировать важный «вход» в рабочие процессы разработчиков и бизнеса. Именно такие «точки входа» сегодня ценятся выше, чем просто сильные модели. Снижение темпов роста оценки OpenAI не означает ослабления компании. Она по-прежнему остаётся центральным игроком рынка с сильным брендом и широкой экосистемой. Однако есть две причины осторожности инвесторов: высокая стартовая оценка — в неё уже заложены ожидания будущего роста; прозрачность стратегии — рынок хорошо понимает, куда движется OpenAI, а значит, потенциал «сюрприза» ниже. Проще говоря, OpenAI — это уже «очевидная ставка», тогда как Anthropic воспринимается как актив с большим потенциалом роста. Самое важное в этой истории — не то, кто сейчас дороже, а то, как изменились критерии оценки. Если раньше инвесторы смотрели на: качество моделей количество пользователей то теперь ключевые вопросы другие: где есть стабильная выручка кто контролирует рабочие процессы кто становится инфраструктурой, а не просто инструментом Anthropic выигрывает именно на этом поле. Скачок оценки Anthropic — это не окончательная победа в гонке, а отражение новой фазы рынка. Инвесторы больше не покупают «самую умную модель» — они ищут компании, способные превратить интеллект в устойчивый бизнес. И если раньше лидерство определялось технологией, то теперь всё чаще — контролем над точками входа в реальную экономику.

Выход новой модели генерации изображений GPT-Image 2 вызвал эффект, сравнимый с шоком в индустрии. Многие заговорили о том, что «до 90% дизайнеров могут оказаться не у дел». Но за громкими формулировками скрывается более тонкая и важная трансформация. Главное отличие нового поколения моделей — не в качестве картинки как таковой. Раньше AI оценивали по принципу «похоже или нет». Теперь ключевой критерий — понимает ли модель смысл задачи. GPT-Image 2 способен учитывать логику, контекст и даже простые вычисления до того, как начнёт генерировать изображение. Это означает переход от механического «рисования» к осмысленному созданию визуального решения. Фактически, изображение становится формой языка, а не просто декоративным элементом. Если раньше генерация картинок была скорее развлечением или источником идей, то теперь она выходит на уровень полноценной производственной силы. В таких задачах, как: рекламные баннеры постеры иллюстрации маркетинговые материалы AI уже способен конкурировать с большинством исполнителей по скорости, цене и качеству. При этом стоимость правок практически стремится к нулю: вместо долгих согласований — мгновенные итерации через диалог. Именно здесь возникает ощущение «массового вытеснения»: не потому, что дизайнеры стали хуже, а потому что инструмент стал слишком эффективным. Тем не менее утверждение о «смерти дизайнеров» — сильное упрощение. AI хорошо справляется с: типовыми задачами массовым контентом визуалами без глубокой концепции Но остаются области, где он пока ограничен: стратегическое мышление и бренд-позиционирование оригинальные визуальные идеи культурные и эмоциональные нюансы сложные креативные решения Проще говоря, AI заменяет не дизайнеров как таковых, а рутинный слой профессии. Скорее всего, рынок пойдёт по пути расслоения: базовый уровень (простые задачи) → почти полностью автоматизируется средний уровень → резко сокращается топ-уровень (арт-директора, концептуалисты) → становится ещё ценнее Это уже происходило в других сферах — от программирования до копирайтинга. С ростом качества генерации появляется и другая проблема — невозможность отличить реальное от созданного. Если раньше AI-изображения легко «палились» по артефактам, то теперь ошибки становятся редкими и малозаметными. Это создаёт риски: подделки изображений людей манипуляции в медиа снижение доверия к визуальному контенту Технология выходит за пределы дизайна и начинает влиять на саму структуру информационной среды. GPT-Image 2 — это не просто улучшение генерации изображений. Это переход к новой модели взаимодействия с визуалом, где человек формулирует мысль, а система сразу превращает её в результат. Но ключевое изменение не в том, что «AI заменит дизайнеров», а в том, что: дизайн перестаёт быть ремеслом и становится управлением смыслом И в этом мире ценность будет не у тех, кто умеет «рисовать», а у тех, кто понимает, что именно нужно создать и зачем.

История с увольнением Сэма Альтмана в 2023 году уже стала одной из самых драматичных в истории Кремниевой долины, но теперь сооснователь и президент OpenAI Грег Брокман впервые подробно рассказал, как выглядели эти события изнутри. По его словам, ни он, ни сам Альтман заранее не знали о решении совета директоров, а последующие трое суток превратились в настоящий корпоративный триллер. Брокман вспоминает, что узнал об увольнении Альтмана во время внезапного звонка от совета директоров. Ему сообщили, что Альтман отстранен, а сам Брокман выведен из состава совета, хотя формально ему предлагали остаться в компании. Объяснений почти не последовало. В тот же день Брокман решил уйти сам — из солидарности с Альтманом и из убеждения, что произошедшее было неправильным. Дальше события развивались стремительно. Уже в первый день после увольнения команда собралась в доме Альтмана и начала обсуждать запуск новой компании. По словам Брокмана, сначала они думали, что шансы на возвращение Альтмана в OpenAI составляют не больше 10%, поэтому всерьез готовили «спасательную шлюпку» для сотрудников. Но очень быстро стало ясно, что речь может идти не о нескольких ключевых людях, а почти о всей компании: OpenAI оказалась на грани массового исхода сотрудников. Кульминацией стал момент, когда, казалось, соглашение о возвращении Альтмана уже почти достигнуто, но совет директоров неожиданно изменил курс и назначил нового CEO. Это окончательно взорвало ситуацию внутри компании. Сотрудники начали массово подписывать письмо с требованием вернуть Альтмана и Брокмана. По словам Брокмана, интерес к документу был таким огромным, что Google Docs не справлялся с числом одновременных подписей. При этом, несмотря на активные попытки конкурентов переманить специалистов OpenAI, в тот уикенд никто из сотрудников не принял внешние офферы. Особое значение в этой истории Брокман придает Илье Суцкеверу. Именно его первоначальная поддержка решения совета стала одним из самых болезненных ударов, учитывая их многолетнюю близость и совместную историю создания OpenAI. Однако позже Суцкевер публично поддержал возвращение Альтмана, и для Брокмана это стало моментом огромного облегчения: появилась надежда, что компанию еще можно собрать заново. В интервью Брокман говорит не только о кризисе, но и о более широком контексте. По его мнению, OpenAI с самого начала существовала в атмосфере предельных ставок: внутри компании всегда понимали, что работают над технологией, способной радикально изменить мир. Именно поэтому внутренние споры, которые в обычной корпорации выглядели бы как типичная офисная политика, здесь воспринимались почти как вопросы исторической ответственности. Это, по его словам, и делает конфликты в ИИ-индустрии особенно острыми. Отдельно Брокман рассуждает о будущем OpenAI и всей отрасли. Он уверен, что ИИ все сильнее ускоряет собственную разработку, а программирование уже быстро превращается в область, где значительную часть кода пишет сама машина. При этом главным ограничением становится не столько нехватка идей, сколько нехватка вычислительных мощностей. Мир, по его мнению, движется к «экономике вычислений», где доступ к ресурсам станет одним из ключевых факторов силы. Главный вывод Брокмана из той драмы звучит почти как личный манифест: если у тебя есть важная миссия, нужно держаться за нее даже тогда, когда кажется, что все рушится. История тех 72 часов показала, что OpenAI чуть не распалась из-за решений наверху, но одновременно продемонстрировала и редкий для технологической индустрии уровень внутренней сплоченности. В конечном счете именно поддержка сотрудников помогла компании пережить кризис, который вполне мог стать для нее последним.

Резкий рост использования ИИ в Китае получил наглядное выражение в новой метрике — токенах. По официальным данным, в 2026 году ежедневное потребление достигло 140 триллионов токенов, увеличившись более чем в тысячу раз по сравнению с началом 2024 года. За этой цифрой скрывается не просто масштаб, а глубокая трансформация всей индустрии. Первый важный тренд — глобальная экспансия китайских моделей. По данным платформы OpenRouter, китайские модели уже занимают значительную долю мировых вызовов. Главный фактор — цена. Разница в стоимости между китайскими и западными моделями может достигать сотен раз, и разработчики по всему миру, особенно в задачах автоматизации, делают рациональный выбор в пользу более дешевых решений. В результате Китай начинает конкурировать не только технологически, но и экономически, формируя собственную модель «экспорта токенов». Второй тренд — характер пользователей. Основной объем токенов сегодня потребляют не обычные пользователи, а разработчики и профессионалы. Более половины всех вызовов приходится на программирование и автоматизированные агентные сценарии. Это означает, что текущая волна ИИ усиливает прежде всего уже квалифицированных специалистов. Вместо «демократизации» технологий мы видим ускорение разрыва: те, кто умеет работать с ИИ, получают кратный прирост эффективности. Третий тренд — взрыв на уровне приложений и скрытый рост внутри компаний. Значительная часть токенов генерируется не публичными API, а внутри экосистем крупных платформ. Например, один только продукт ByteDance — Doubao — генерирует до 12 триллионов токенов в день. Драйвером роста стали мультимодальные сценарии, особенно генерация видео, где одна задача может потреблять миллионы токенов. Параллельно идет менее заметный, но стратегически важный процесс — массовое внедрение приватных моделей в компаниях. Банки, заводы и государственные структуры разворачивают ИИ внутри своих систем, превращая данные и процессы в уникальные конкурентные преимущества. Четвертый тренд — превращение токенов в новую экономическую метрику. Компании начинают использовать их как KPI, оценивая уровень цифровизации и продуктивности сотрудников. В некоторых случаях бюджеты на токены уже сравнивают с зарплатами инженеров. Однако здесь возникает риск: рост потребления не всегда означает рост эффективности. Как показывает практика, токены могут тратиться впустую — например, когда автоматические агенты взаимодействуют друг с другом без реальной ценности. Это иллюстрирует классический принцип экономики: когда метрика становится целью, она перестает быть надежным показателем. В итоге 140 триллионов токенов — это не просто показатель масштаба, а индикатор смены парадигмы. Китайский рынок демонстрирует особую модель развития ИИ: не через постепенное внедрение из лабораторий, а через взрыв массовых потребительских сценариев, которые затем тянут за собой инфраструктуру и технологии. Главный вопрос на будущее — не сколько токенов будет потребляться, а насколько эффективно они будут использоваться. Именно способность решать реальные задачи с минимальными затратами ресурсов, а не просто наращивать объемы, станет ключевым фактором конкурентоспособности в новой «экономике токенов».

С развитием генеративного ИИ в деловой среде всё чаще звучит идея «одноразового софта» — программ, которые создаются под конкретную задачу и сразу же выбрасываются после использования. На первый взгляд, это выглядит как логичное продолжение тренда на ускорение и снижение затрат: если ИИ способен за часы генерировать рабочие решения, зачем тратить ресурсы на долгую разработку и поддержку? Однако за этой привлекательной концепцией скрывается куда более сложная реальность. Сам термин «одноразовый» пришёл из индустрии потребительских товаров — например, ежедневных контактных линз. В ИТ он означает использование ИИ для быстрого создания временных инструментов: скриптов, отчётов, простых сервисов. Появление этой идеи объясняется сразу несколькими факторами: резким снижением порога разработки благодаря ИИ, ростом фрагментированных бизнес-задач и высоким уровнем затрат на поддержку традиционных систем. В таких условиях «сделать и выбросить» действительно может работать — но только в ограниченных сценариях. Например, для разовых аналитических задач, временных страниц или вспомогательных скриптов. Там, где нет долгосрочных зависимостей и критических данных, ИИ способен дать быстрый и дешёвый результат. Проблема начинается, когда эту логику пытаются масштабировать на всю компанию. Дело в том, что ИИ снижает лишь стоимость создания, но не убирает главную нагрузку — сложность. В реальном бизнесе ключевую роль играют интеграция систем, управление данными, безопасность, контроль доступа, соответствие требованиям и устойчивость процессов. Эти аспекты нельзя «выбросить» вместе с кодом. Более того, при хаотичном использовании одноразовых решений они только усугубляются. Если компания начинает повсеместно применять «одноразовый» подход, последствия могут быть довольно серьёзными. Знания не накапливаются, каждая задача решается с нуля, а организация фактически теряет память. Появляются разрозненные данные, которые никто не структурирует и не очищает. Возрастают риски утечек и нарушений комплаенса, поскольку временные решения редко проходят полноценный контроль безопасности. Управление при этом деградирует: краткосрочная «гибкость» подменяет стратегию. В результате возникает иллюзия эффективности. Команды заняты, задачи решаются быстро, но долгосрочной ценности не создаётся. Ключевой вопрос здесь — не «использовать ли ИИ», а «где проходят границы». Существует простой критерий: если система связана с деньгами, людьми или ответственностью — её нельзя делать одноразовой. То есть всё, что касается финансов, клиентских данных, контрактов и регуляторных требований, требует устойчивых, развиваемых решений. Таким образом, «одноразовый софт» — это не универсальная модель будущего, а узкий инструмент. Он может быть полезен как дополнение к сильной инженерной и управленческой базе, но не как её замена. ИИ действительно ускоряет создание инструментов. Но ценность бизнеса по-прежнему определяется не скоростью генерации кода, а способностью накапливать знания, выстраивать процессы и управлять сложностью. Проще говоря, дело не в том, как быстро вы создаёте инструменты, а в том, что остаётся после их использования.

Разговоры о том, что AI «отбирает работу», в игровой индустрии уже перестали быть абстракцией. Даже если громкие слухи о полной замене аутсорса пока не подтверждаются, факты говорят о другом: AI уже перестраивает саму структуру найма. Анализ более 7300 вакансий у крупных игровых компаний показывает, что около 15% позиций связаны с AI — и это, скорее всего, заниженная оценка. При этом важнее не абсолютные цифры, а структура: больше половины таких вакансий — это так называемые «проникающие роли», где от разработчиков, художников или дизайнеров требуют не только профессиональных навыков, но и умения работать с AI. Иначе говоря, AI не просто создает новые профессии — он меняет требования к старым. Два типа специалистов: «чистые» AI и гибриды Все AI-вакансии условно делятся на две категории. Первая — это «чистые» роли: инженеры по моделям, специалисты по агентам, AI-продукт-менеджеры. Вторая — гибридные позиции, где AI становится инструментом внутри традиционной профессии. И именно гибриды сейчас выходят вперед. Это означает, что индустрия делает ставку не только на узких специалистов, но и на тех, кто умеет встраивать AI в реальную производственную цепочку — от программирования до арт-пайплайнов и маркетинга. Отсюда и растущие требования: теперь мало просто «уметь делать игры». Нужно понимать, как ускорить свою работу с помощью AI — и где он вообще уместен. Если посмотреть на ключевые слова в вакансиях, картина становится еще яснее. Абсолютным лидером остаются большие модели (LLM), за ними идут мультимодальные системы, агенты, reinforcement learning и AIGC. Но еще интереснее список инструментов: MidJourney, ChatGPT, генераторы видео. Это сигнал, что AI уже глубоко встроен в конкретные процессы — прежде всего в визуал, маркетинг и контент. Другими словами, AI в геймдеве — это уже не «исследования ради исследований», а инструмент повседневного производства. Парадоксально, но даже те, кто уже работает с AI, часто не понимают, чего от них хотят работодатели. Причина в том, что сама индустрия пока находится в стадии эксперимента. Один и тот же «AI-инженер» в разных компаниях может: настраивать пайплайны, заниматься backend-разработкой, или придумывать игровые механики с AI. Четких стандартов нет. Компании «нащупывают» роли на ходу, а требования в вакансиях часто остаются размытыми. В результате рынок выглядит так: спрос высокий, но критерии — не до конца сформированы. Стратегии компаний: от науки до продакшена Подходы крупных игроков заметно различаются. Tencent активно масштабирует найм, сочетая исследования и прикладные задачи. Им нужны и ученые, и инженеры, способные внедрять AI в конкретные проекты. NetEase делает ставку на «гибридных» специалистов, которые одновременно понимают алгоритмы, игровые движки и дизайн. miHoYo продолжает агрессивно инвестировать в фундаментальные технологии — от больших моделей до AI-геймплея, делая акцент на инженерных ролях. Другие компании фокусируются на более прикладных задачах: генерации контента, маркетинговых материалов, оптимизации производства. Везде прослеживается одна линия — AI становится частью продукта, а не просто инструментом разработки. Главный вывод не в том, что «AI всех заменит». Скорее, происходит сдвиг: ценность смещается от владения инструментами к умению применять их осмысленно. Проблема в том, что инструменты стремительно упрощаются. То, что вчера требовало экспертизы, завтра становится кнопкой. Поэтому конкурентное преимущество все меньше связано с конкретными технологиями и все больше — с пониманием задач, креативностью и способностью выстраивать процессы. Как метко заметил один из участников индустрии, когда инструменты выравнивают стартовые условия, решающим становится не «чем ты пользуешься», а что именно ты пытаешься создать. Сегодняшний рынок — это не столько кризис, сколько переходный этап. Да, начальные позиции становятся уязвимее, требования растут, а неопределенности больше. Но одновременно снижается порог входа для самостоятельных проектов: один человек с идеей и AI-инструментами уже способен делать то, что раньше требовало команды. Именно поэтому главный навык в эпоху AI формулируется неожиданно просто: сохранять воображение. Потому что в мире, где машины умеют писать код, рисовать и генерировать контент, именно способность придумывать новое становится тем, что нельзя автоматизировать.