Бинарный большой взрыв ИИ

2024 год стал переломным для ИИ: в «гонку вооружений» активно включился Китай, появились новые внедрения и реальные проекты. Если такие технологии, как Big Data и блокчейн, хоть и изменили мировой технологический ландшафт, но остались инструментами в рамках текущего технологического уклада, то генеративный ИИ меняет правила игры полностью. Как именно и к чему надо готовиться РБК-Тренды рассказала , управляющий директор практики «Данные и прикладной ИИ» Axenix Лариса Малькова.

Основные тенденции и направления ИИ в перспективе генеративных моделей на 2025 год в исследовании Technology Vision 2025 представила компания Accenture. Разберем каждый из четырех основных трендов.

ИИ-агенты и автономность

Сегодня бизнес переживает переломный момент в цифровой трансформации, который в исследовании называют Бинарным большим взрывом — по аналогии с Большим взрывом, давшим начало известной нам Вселенной. Большие языковые модели (LLM) невероятно расширяют возможности программирования, повышают цифровую производительность компаний и ускоряют инновации — от тестирования гипотез до реальных внедрений.
Традиционные приложения будут замещаться платформами «ИИ-агентов», которые самостоятельно используют доступный инструментарий разработки, освобождая пользователей от рутинных задач. В основе этого перехода лежат три ключевых фактора:

снижение стоимости и времени создания ИИ-систем;
упрощение технологий, делающее их доступными для более широкой аудитории;
создание систем, способных работать самостоятельно.
Чтобы использовать потенциал автономных ИИ-систем ответственно, компаниям необходимо внедрять надежные механизмы контроля: мониторинг качества данных, на которых обучается ИИ и которые использует в своей работе, управление доступом к данным и четкие правила их использования. Критически важно, чтобы ИИ принимал прозрачные решения, доступные для анализа и проверки их состоятельности.

Что это значит

Поворот к ИИ-агентам с перспективой создания их автономных экосистем полностью актуален для России. Отраслевые лидеры активно обсуждают и даже переходят к разработке таких решений. Развитие LLM с функциями reasoning (когда машина умеет рассуждать и декомпозировать задачи) делает ИИ-агентов реальностью уже сегодня. Однако для полноценной автономности их необходимо интегрировать с хранилищами и базами данных, базами знаний и другими IT-системами компаний. Это потребует создания мультиагентных сетей, что пока не ближайшее будущее.
Развитие ИИ-агентов идет поэтапно, напоминая эволюцию общественных формаций: нельзя искусственно перепрыгнуть некоторые этапы и сразу оказаться в эпохе развитого автономного ИИ. Однако условия скорее благоприятствуют: пандемия ускорила цифровизацию компаний, и сегодня отстающих отраслей практически нет. Успех развития здесь очень сильно зависит от поддержки руководством компаний соответствующих инициатив, а также доступных технологических компетенций и архитектурных решений.
Главным барьером остается недостаток доверия к ИИ из-за непрозрачности и неясных границ ответственности за результаты его работы. Вопросы синхронизации агентов, их совместимости и безопасности также пока не решены. Законодательное регулирование в этой сфере отсутствует, что, с одной стороны, позволяет не сдерживать развитие направления, но с другой — создает риски. Внутри одной организации все насущные вопросы решаемы, но на уровне взаимодействия между компаниями, отраслями и странами потребуются новые принятые всеми правила игры, подобные Open API в разработке ПО.
В целом практика внедрения ИИ-агентов пока ограничена, и важно грамотно управлять ожиданиями. На волне хайпа вендоры и аналитики часто переоценивают эффективность новых технологий, не учитывая сложности интеграции и безопасности.

Узнаваемое лицо ИИ

ИИ открывает новые возможности для персонализации взаимодействия с клиентами. Брендам становится критически важно не потерять свою уникальность в этом процессе. Иначе они рискуют стать «одними из многих» или «как все».
Представьте будущее, где клиент общается с персонифицированным чат-ботом, который воплощает образ бренда или личность популярного инфлюенсера. Такой ИИ-агент может работать на платформах компании или интегрироваться в сторонние сервисы. Со временем он изучает предпочтения клиентов, строит доверительные отношения и выполняет их задачи, используя цифровые инструменты.
Это не просто поверхностная персонализация, скорее создание глубоких связей с клиентами через тысячи одновременных диалогов. Однако, внедряя генеративный ИИ в такие задачи, компании сталкиваются с ключевым вопросом: что представляет собой «личность» их ИИ-агента? Использование универсальных платформ и решений третьих сторон может привести к потере уникальности бренда.
Выход — создание собственного персонифицированного ИИ. Для этого необходим постоянный мониторинг данных и процессов обучения, а также сотрудничество с экспертами по ИИ для установки четких правил, ограничений и словаря.

Что это значит

Персонификация ИИ становится критически важной, так как со временем конкуренция в этой области смещается с эффективности и скорости работы к уникальности подходов, интерфейсов и алгоритмов. Простого использования LLM уже недостаточно — ключевым станет их «обогащение» знаниями, стилем (то, что называется tone of voice) и ноу-хау конкретного бренда. Например, в банковской сфере цифровые сервисы уже выглядят практически одинаково. Уникальность бренда будет определяться его способностью задать собственный ИИ-стиль и поддерживать его на основе истории взаимодействия с клиентами. По статистике, живые операторы используют не более 15% корпоративных знаний и истории общения с клиентом. А для ИИ-помощников эта история будет доступна в любой момент и в полном объеме, в отличие от сотрудников-людей.

Физическое тело ИИ

Робототехника переживает революцию: языковые и визуальные модели (VLM) превращают роботов из узкоспециализированных устройств в универсальные машины, способные к рассуждениям и автономной работе.
LLM и VLM наделяют роботов способностью лучше контактировать с физическим миром: они улучшают пространственное восприятие, взаимодействие с людьми и выполнение сложных инструкций. Однако при внедрении роботов в повседневную жизнь возникают все те же вопросы доверия, прозрачности процессов принятия решений, ответственности.
Ключевой акцент в будущих разработках универсальных роботов-помощников — на коммуникативных навыках устройств и создании системы обратной связи для постоянного улучшения их взаимодействия с людьми. В перспективе роботы будут интегрироваться с нейроинтерфейсами, расширяя возможности человека по их управлению. Однако для массового внедрения необходимо решить вопросы доверия, безопасности и совместимости технологий.

Что это значит

Раньше роботы работали на узкоспециализированном ИИ, что ограничивало их функциональность и требовало сложной настройки. Сейчас LLM и генеративный ИИ позволяют роботам выполнять задачи, с которыми они раньше не сталкивались.
Представьте, что вы просите робота принести вам предмет. Он понимает вашу просьбу, идентифицирует объект и передает его без необходимости программирования под конкретную задачу. Такие сценарии становятся реальностью благодаря ИИ, который существенно улучшает когнитивные способности робота.
В России, особенно на фоне кадрового дефицита, такие решения крайне востребованы: на складах, в логистике, на производстве, в сельском хозяйстве, здравоохранении. Военная сфера также стимулирует развитие робототехники, хотя пока эти технологии слабо конвертируются в гражданские продукты.

«Петля обучения»

Генеративный ИИ становится повсеместным инструментом, который позволяет улучшать эффективность сотрудников и стимулировать инновации на всех уровнях компании. В отличие от традиционной автоматизации, которая внедряется сверху вниз, генеративный ИИ способствует динамическому взаимодействию между сотрудниками и технологиями.
Предоставляя сотрудникам свободу в использовании ИИ, компании могут превратить каждого работника в инноватора. Например, маркетолог может использовать ИИ для анализа рыночных данных и проверки гипотез (что уже и происходит), а логист или экспедитор — разработать собственное приложение для учета грузов, оптимизации маршрутов и т.д. Такие возможности раскрывают потенциал сотрудников и стимулируют беспрецедентный уровень инноваций.
Ключ к успеху — эффективное взаимное обучение человека и ИИ работе друг с другом, «петля обучения». Компании должны вовлекать сотрудников в планирование, постановку целей и создание долгосрочного видения ИИ-программ. Это требует грамотной коммуникации и проактивного реагирования на очевидные опасения, связанные с проникновением машинного интеллекта в рабочие процессы.

Что это значит

Человек пока сохраняет лидирующую роль в инновациях. ИИ ускоряет процесс обучения и обработки информации, но у него нет целостной модели мира, как у человека. Поэтому ключевая задача — обогащать генеративный ИИ данными и контекстом, чтобы приблизить его к стилю и широте человеческого мышления.
Профессии уже меняются на фоне революции ИИ. Например, программисты становятся скорее архитекторами и владельцами продукта, чем кодерами. Это пример симбиотического сосуществования человека и ИИ, где каждый развивается, отталкиваясь от возможностей другого.
В ближайшем будущем владение генеративным ИИ станет таким же базовым навыком, как знание Excel или Word. Это новый промышленный уклад, сравнимый по значимости с появлением электричества, компьютеров или интернета. Владеть базовыми навыками в этой области будет каждый человек, вовлеченный в экономические процессы.