От магии к прагматике: бизнес-тренды в применении
ИИ

2025 год войдет в историю искусственного интеллекта не столько как год революционных прорывов, сколько как год трезвого осмысления возможностей и ограничений технологии, попыток вписать романтические и отчасти фантастические представления 2022-2023 годов в прагматическую рамку. Два основных бизнес-тренда, которые так или иначе и создавали спрос на академические исследования и задавали медиа-нарратив: ИИ-агенты и попытки корпораций преодолеть «пилотное чистилище» проектов внедрения ИИ.

ИИ-агенты. Еще в 2022, в год дебюта больших языковых моделей, исследователи обратили внимание на два взаимосвязанных, но концептуально различных направления совершенствования LLM: многошаговые рассуждения и автономное планирование действий во внешней среде. Выяснилось, что для улучшения качества ответов необязательно увеличивать размер модели (а значит и затраты на ее обучение) — достаточно просто позволить системе сгенерировать более длинный текст, имитируя размышления. Тогда за более точный ответ заплатит не провайдер LLM на этапе обучения модели, а ее пользователь — на этапе эксплуатации. В 2025 году многошаговые рассуждения легли в основу другой технологии — автономных ИИ-агентов — под знаком которой и прошел год.

Агенты от Anthropic, OpenAI, Cursor, появившиеся в самом начале года, умели делать сложный многошаговый поиск в интернет, создавать сложное ПО, и даже взаимодействовать с операционной системой облачного компьютера. Ближе к концу года своих агентов анонсировал Yandex. Ключевой технологический вызов — как максимально продлить продуктивную автономию агента.

Мультиагентные системы.Сделать систему, которая строит детализированные длинные планы, и затем дотошно им следует, несложно; сложно сделать так, чтобы более длинные планы позволяли делегировать системе большие фрагменты когнитивного труда, и получать при этом сопоставимый с человеческим результат. Сегодня этого добиваются, объединяя агентов в системы — это называется agentic AI. В конце года была презентована исследовательская мультиагентная система Kosmos, которая, работая до 12 часов, выполняет работу, эквивалентную 6 месяцам работы кандидата наук. Можно вполне безопасно предположить, что мультиагентные системы станут buzzword 2026 года.

Инженерия опыта ИИ-агентов. Агентские, а тем более мультиагентные системы потребляют большое количество токенов. Поэтому внимание исследовательского сообщества в 2025 году было направлено на поиск более эффективных архитектур LLM, методов обучения и эксплуатации моделей, новых методов создания агентских систем, нацеленных на точность действий и эффективность вычислений. Сдвижка парадигмы в сторону автономных систем означает, что у вас нет достаточного количества данных о том, как среда реагирует на действия агента, а значит вместо инженерии данных (стандартный подход при обучении LLM) нужно заняться инженерией опыта ИИ-агентов. Эти исследования продолжатся и в 2026-м.

Экономные архитектуры. Вполне возможно, трансформеры утратят свои доминирующие позиции, уступив более экономным архитектурам. Возможно даже, в ближайшие годы мы увидим, как размывается граница между обучением и эксплуатацией ИИ-систем — они будут полноценно обучаться на ходу, от каждого взаимодействия с пользователем или средой. Много надежд сейчас возлагается на «жидкие» нейронные сети, вдохновленные нервной системой червей-нематод, которые демонстрируют выдающуюся адаптивность к изменяющимся условиям, позволяя моделям эволюционировать в реальном времени без переобучения. К тому же, они достаточно компактны, чтобы работать на конечных пользовательских устройствах и радикально снижать энергозатраты в сравнении с традиционными трансформерами.

Эффективность ИИ. Осенью в медиа широко разошлись результаты исследований ведущих бизнес-школ и консалтинговых компаний, в которых подсвечивалась высокая доля провалов ИИ проектов (от 70% до 90% для различных операционализаций «успеха»). Появился даже термин «чистилище пилотов» — инициативы застревают на уровне доказательства концепции, и не получают широкого принятия в организациях. Мы не стали отставать, и выпустили свое исследование на эту тему. Что же отличает успешные во внедрении ИИ компании от неуспешных? Интегрируя выводы нескольких исследований, можно упомянуть следующее.

Во-первых, ключевую роль играет культура принятия решений в организации — принято ли принимать решения на объективных данных, результатах экспериментов, или когнитивный труд в компании в основном построен на личной экспертизе (это доминирующая на сегодня культура).

Во-вторых, успешные компании, внедряя ИИ, инвестируют непропорционально больше ресурсов не в совершенствование алгоритмов, а в изменение рабочих процессов и обучение персонала, хотя большинство организаций делают ровно наоборот.

В-третьих, организации, систематически преодолевающие «чистилище пилотов», отдают предпочтение диверсифицированному портфелю стратегическим партнерств с вендорами вместо попыток построить все своими силами.

В-четвертых, они очень быстро закрывают проекты при отсутствии «быстрых побед» — трех месяцев достаточно для того, чтобы понять перспективу, тогда как проигрывающие ждут до года.

Наконец, победители фокусируются не на эффектных кейсах в продажах и маркетинге, а на «невидимой» автоматизации бэкофиса — HR, закупки, комплаенс, финансы — где достигается наивысший ROI и высвобождается время специалистов для стратегических задач. Более того, наиболее успешные компании стремятся вместо запуска россыпи локальных экспериментов по всей структуре, пересобирать end-to-end рабочие процессы. В связи с этим особым спросом пользуются «брокеры знаний» — люди, которые умеют говорить на нескольких языках (бизнес- и технологических), и умеют перепроектировать рабочий процесс как пригодный к делегированию агентской системе с учетом текущих ограничений технологии.

Корпоративные ИИ-платформы. Еще одним важным бизнес-трендом 2025 года стало повсеместное внедрение корпоративных ИИ-платформ. Такие платформы, с одной стороны, позволяют проконтролировать теневое использование LLM в обход внутренних организационных регламентов и законодательства, которое создает риски; с другой — диверсифицировать вендоров и обеспечить сотрудникам равный доступ к когнитивным способностям, инкапсулированным в LLM. Внутри такой платформы сам собой напрашивается агентский слой с переиспользуемыми компонентами — в том числе, позволяющие создавать ИИ-приложения в режиме low code/no code. Говоря о корпоративных агентских системах нельзя не отметить еще один, пока слабый сигнал. Потребительский мир захвачен универсальными автономными агентами, которые могут и информацию в интернете найти, и отпуск спланировать (заказав билеты и гостиницу). А в бизнесе агентский ИИ выглядит иначе. Там важна контролируемость, и пространство возможных траекторий рассуждения намного проще. Поэтому чаще ИИ-агенты в бизнесе выглядят как заскриптованные последовательности обращений к различным LLM, интегрированные с корпоративными ИТ-системами. Они меньше рассуждают и больше движутся по заранее прописанному процессу.

Нейробиология ИИ.Фокус бизнеса на масштабируемость и расширение точек внедрения тесно связан с борьбой с галлюцинациями. Для того, чтобы разобраться, возможно ли создание эпистемически верной ИИ-системы и при каких условиях, в 2025 году оформилась целая дисциплина, которую можно было бы назвать «нейробиологией и психологией ИИ». Суть ее в том, чтобы на уровне глубокой исследовательской метафоры применять к ИИ подходы, обычно применяющиеся к интеллектуальным процессам человека (естественно, глубоко адаптируя их). В этом же русле лежат исследования личности и культуры больших языковых моделей, которые проводит наша лаборатория, а также исследования «эпистемии», «травмы alignment».

Anthropic запустило серию любопытнейших исследований по фиксации активаций нейронов и сложных эмерджентных процессов, возникающих в скрытых слоях нейросетей. Интерпретация этих процессов: трансформеры устроены намного сложнее «стохастических попугаев», способных только предсказывать следующий токен, и что галлюцинации являются неотъемлемым следствием самой архитектуры трансформеров (термин stochastic parrot введен лингвистом Эмили Бендер для описания ограничений больших языковых моделей: они способны генерировать грамматически правильный текст, но делают это без истинного понимания смысла — прим. ред.). Но в практических приложениях важна точность, которую может обеспечить, например, нейросимволический ИИ, сочетающий LLM и символический слой (логику, правила, онтологии, проверяемые выводы), обеспечивающий контролируемое рассуждение. Нейросимволический ИИ рассматривается как потенциальная альтернатива «чистым» трансформерам.

Альтернативные интерфейсы к LLM. В то время как Anthropic изобретал МРТ для нейросетей, MIT исследовала, что происходит с мозгами человека при взаимодействии с LLM. Это свидетельство важного сдвига: фокус исследований смещается с ИИ-систем на системы, включающие как ИИ, так и оператора. Появился термин «социальная сикофантия», или угодничество LLM, когда модель ценит согласие с оператором выше точности ответа — такие феномены нужно изучать, принимая во внимание и оператора. В самом деле, для образовательных и бизнес-приложений не так важно, галлюцинирует ли, креативна ли, и т.п. изолированная ИИ-система: важен эффект, который проявляется во взаимодействии ИИ и оператора. В связи с этим нельзя проигнорировать слабый сигнал, который мы на протяжении 2025 года наблюдали в академической литературе, а в конце года — и в бизнес-приложениях. Речь идет об альтернативных интерфейсах к LLM, которые выходят за пределы текстовых чатов, в которых пользователь взаимодействует с ИИ-системой один на один. Сервис генеративной музыки Suno интегрировал LLM в привычный интерфейс звукового редактора; OpenAI сделали групповые чаты; в академической литературе представлен широкий спектр самых разнообразных прототипов интерфейсов — от графовых (иногда думать с LLM удобней в режиме майндмепа, а не линейной «портянки») до генеративных. Сегодня LLM может сгенерировать любой интерфейс для себя самой, учитывая текущий контекст взаимодействия с пользователем.

Взаимодействие ИИ с интернетом. Если квест ИИ в автономию продолжится (а контраргументов пока не наблюдается), нас ждет эра машиночитаемого Интернета, полного сайтов, оптимизированных под ИИ-агентов с их несовершенным зрением и процедурами рассуждения; а в перспективе, возможно, и переход рыночной власти от маркетплейсов к автономным агентам. Если нужно купить собачий корм, зачем идти в маркетплейс, если можно поставить задачу агенту, который найдет все необходимое для вашей собаки и договорится о доставке?

Трансформация роли человека во взаимодействии с ИИ. Радикальные изменения претерпела и сама «кухня» разработки. Если 2023-й был годом промпт-инжиниринга, то 2025-й стал годом оркестрации и LLMOps (комплекс практик и инструментов, созданных для контроля над жизненным циклом LLM — прим. ред.). Профессиональное сообщество заговорило о «вайб-кодинге» — подходе, где человек задает общее настроение, контекст и намерения, а написание синтаксически верного кода полностью делегируется ИИ. Но куда важнее стало появление автопайплайнов: современные архитектуры начали замыкать цикл обучения на самих себе. Сети теперь не просто потребляют датасеты, но и генерируют синтетические данные для собственного дообучения, оценивают качество своей работы и оптимизируют собственные веса в реальном времени.

Граница между разработчиком и моделью стирается: вместо написания алгоритмов инженеры все чаще занимаются настройкой среды, в которой нейросеть «выращивает» оптимальное решение. В этом смысле оркестрация, как узкий тип деятельности, выходит за пределы непосредственно IT. Оркестрацией теперь могут заниматься и юристы, и ученый-экспериментатор. Умение выстраивать цепочки взаимодействий между моделями становится новым видом грамотности, необходимым везде, где требуется сложная когнитивная работа.

Новые горизонты. Наиболее наглядно трансформация роли человека от промптера к дирижеру проявилась в наукоемких отраслях, в R&D. Нобелевские премии по физике и химии, которые в 2024 году получили ИИ-ученые, стали прелюдией к системам нового поколения, таким как уже упомянутая мультиагентная среда Kosmos, мультимодальный астрономический трансформер AEON-1 или специализированный ChemLab. Фактически эти системы переопределяют методологию научного поиска. Они способны агрегировать данные из тысяч публикаций, выдвигать неочевидные гипотезы синтеза новых материалов и, что критически важно, самостоятельно проектировать дизайн экспериментов для их проверки. В связке с лабораторным оборудованием такие агенты замыкают цикл открытия, превращая науку из кустарного творчества одиночек в предсказуемый конвейер, где время от идеи до рабочего прототипа сжимается в разы. А модели типа AEON способны предсказывать возраст галактики по ее крошечному изображению, используя тот же принцип, по которому бытовая LLM «предсказывает» фотографию котика по текстовому промпту.

Однако, пожалуй, самый захватывающий и одновременно сложный горизонт, открывшийся в уходящем году — это проблема эмбодимента ИИ (воплощения). Несмотря на успехи в коде и науке, индустрия вновь столкнулась с неумолимым парадоксом Моравеца: то, что сложно для человека (высшая математика, стратегии, анализ данных), оказалось легким для ИИ, а базовые сенсомоторные навыки годовалого ребенка остаются для машин почти непреодолимым препятствием. Модель, обученная на текстах, картинках, видео, никогда не поймет, что контраст между светлыми и темными пикселами — это не просто слово «мокро», а конкретное свойство физической среды, с серьезными импликациями для передвижения, например. Она будет упорно ставить тяжелую полную коробку на пустую, хотя на словах сможет не просто объяснить, почему этого не стоит делать, а построить точную аналитическую модель уровня доктора физико-математических наук.

Попытки нарастить физическое тело вокруг рассуждающего агента, вывести его из цифрового мира в физический, сделали очевидным факт, что моделям, обученным на текстах, катастрофически не хватает «заземления» — интуиции о физическом мире, здравого смысла и глубинного понимания причинно-следственных связей, которые возникают не из синтаксиса, а из взаимодействия с твердыми объектами. Без тела и сенсорного опыта ИИ остается «философом в банке», поэтому еще один тренд, который выстрелил в самом конце 2025 года — создание мультимодальных «моделей мира» и внедрение таких моделей в физических роботов с руками и ногами.

С одной стороны, чтобы через физическое взаимодействие научить нейросети по-настоящему понимать реальность; с другой — чтобы выгружать на кремниевых сотрудников не только когнитивные, но и физические операции. Пока прогресс идет крошечными шагами. Роботы часами загружают посудомойку, и едва-едва научились складывать полотенца (сложная задача: тактильные свойства ткани тяжело определять визуально, а само полотенце может смяться миллионом разных способов).

2025-й можно смело назвать годом «технологического взросления». Мы перестали ждать от ИИ магии и начали заниматься инженерией: инженерией данных, инженерией агентов, инженерией корпоративных процессов и даже инженерией физического опыта для роботов. Тот факт, что робот пока медленно складывает полотенце, а агент иногда галлюцинирует, больше не вызывает разочарования — наоборот, это маркеры перехода технологии из зоны научной фантастики в зону реальных, решаемых технических задач.

Оптимизм на пороге 2026 года строится не на вере в скорое появление всемогущего сверхразума, а на осязаемых результатах синергии. Мы видим, как «жидкие» сети и нейросимволические подходы делают ИИ прозрачнее и эффективнее. Мы наблюдаем, как мультиагентные системы в R&D начинают ускорять научный прогресс в реальном мире. Мы учимся быть не просто пользователями, а оркестраторами сложных интеллектуальных систем. И если тренды 2025 года сохранятся, то будущее — это не мир, где ИИ заменит человека, а реальность, где границы между биологическим и искусственным интеллектом, между цифровым рассуждением и физическим действием станут проницаемыми. Это позволит нам решать задачи такого уровня сложности, к которым мы в одиночку не могли даже подступиться. В конце концов, если мы смогли научить кремний писать стихи, то научим его и чувствовать ткань полотенца — это лишь вопрос времени и правильной архитектуры.