2025 год стал для ИИ временем отрезвления. Эпоха масштабирования подходит к концу. Эксперты сходятся во мнении, что простым увеличением данных и вычислительной мощности следующий качественный скачок не совершить. На первый план выходят новые архитектуры, компактные модели и принципиально иные подходы к обучению.

В 2026 году индустрия, похоже, даст ответ на вопрос, что ИИ может дать нам здесь и сейчас. Мы вступаем в эпоху прагматичного ИИ.

Попробуем разобраться, какие именно тенденции определят лицо ИИ в наступающем 2026-м году.

Если 2025-й стал годом, когда ИИ прошёл свой своеобразный vibe check — проверку на адекватность ожиданий, — то 2026-й обещает стать годом практики. Фокус уже заметно смещается: вместо бесконечной гонки за всё более крупными языковыми моделями индустрия берётся за куда более сложную задачу — сделать ИИ по‑настоящему полезным.

На деле это означает использование компактных моделей там, где они уместны, встраивание интеллекта в физические устройства и проектирование систем, которые без трения вписываются в человеческие рабочие процессы.

Опрошенные эксперты сходятся во мнении: 2026 год станет переходным. Это будет движение от грубой силовой масштабируемости к поиску новых архитектур, от эффектных демонстраций — к точечным внедрениям, от агентов, которые лишь обещают автономность, — к тем, кто действительно усиливает человеческую работу, а не подменяет её на словах.

Вечеринка ещё не закончилась, но индустрия уже начинает трезветь.

Законы масштабирования больше не спасут

В 2012 году Алекс Крижевский, Илья Суцкевер и Джеффри Хинтон в своей работе по ImageNet показали, как ИИ‑системы могут научиться распознавать объекты на изображениях, просто анализируя миллионы примеров. Подход был вычислительно крайне затратным, но стал возможен благодаря GPU. Итог? Целое десятилетие интенсивных исследований, в ходе которых учёные изобретали новые архитектуры под самые разные задачи.

Кульминацией этого пути стал примерно 2020 год, когда OpenAI выпустила GPT-3. Модель наглядно продемонстрировала: достаточно увеличить масштаб в сто раз — и без специального обучения внезапно открываются способности к программированию и рассуждению. Так началась эпоха, которую Киан Каттанфуруш, CEO и основатель платформы ИИ‑агентов Workera, называет «веком масштабирования» — временем веры в то, что больше вычислений, больше данных и более крупные трансформеры неизбежно приведут к следующим прорывам в ИИ.

Сегодня же всё больше исследователей считают, что индустрия ИИ подходит к пределам этих законов масштабирования и вновь вступает в эпоху исследований, где простое наращивание мощности перестаёт работать.

Янн ЛеКун, бывший главный научный сотрудник Meta✶ по ИИ, давно выступает против чрезмерной зависимости от масштабирования и подчёркивает необходимость принципиально лучших архитектур. А Суцкевер в недавнем интервью прямо заявил, что нынешние модели вышли на плато, а результаты предобучения выровнялись — что недвусмысленно указывает на потребность в новых идеях.

«Я думаю, что с высокой вероятностью в ближайшие пять лет мы найдём архитектуру, которая станет серьёзным шагом вперёд по сравнению с трансформерами, — говорит Каттанфуруш. — А если этого не произойдёт, существенного прогресса от моделей ждать не стоит„.“»

Иногда меньше — значит больше

Большие языковые модели великолепно справляются с обобщением знаний, однако многие эксперты считают, что следующую волну корпоративного внедрения ИИ запустят более компактные и подвижные модели, которые можно тонко настраивать под конкретные предметные области.

«Тонко настроенные SLM станут главным трендом и к 2026 году превратятся в стандартный инструмент зрелых ИИ‑компаний — просто потому, что преимущества по стоимости и производительности перевесят использование LLM „из коробки“, — рассказал TechCrunch Энди Маркус, директор по данным AT&T. — Мы уже видим, как бизнес всё чаще опирается на SLM: при правильной настройке они не уступают большим обобщённым моделям».

Этот аргумент мы слышали и раньше — в частности, от французского стартапа Mistral, работающего с открытыми весами. Компания утверждает, что её небольшие модели после файнтюнинга превосходят крупные по ряду бенчмарков.

«Эффективность, экономичность и гибкость SLM делают их идеальным выбором для прикладных решений, где точность критична», — отмечает Джон Книсели, ИИ‑стратег компании ABBYY из Остина.

Если Маркус уверен, что именно SLM станут краеугольным камнем агентной эпохи, то Книсели подчёркивает другую сторону медали: сама природа малых моделей делает их особенно подходящими для развёртывания на локальных устройствах — тенденции, которую ускоряет развитие edge‑вычислений.

Обучение через опыт

Люди учатся не только через язык — мы постигаем мир, проживая его и наблюдая, как он устроен. LLM же по‑настоящему мир не понимают: они всего лишь предсказывают следующее слово или идею. Именно поэтому многие исследователи считают, что следующий большой скачок принесут модели мира — ИИ‑системы, которые учатся тому, как объекты движутся и взаимодействуют в трёхмерном пространстве, чтобы затем делать прогнозы и принимать решения.

Признаков того, что 2026 год станет переломным для world models, становится всё больше.

• ЛеКун покинул Meta✶ и запустил собственную лабораторию моделей мира, которая, по сообщениям, нацеливается на оценку в 5 млрд $.

• DeepMind в Google давно и упорно работает над Genie, а в августе представила свежую модель, создающую интерактивные универсальные миры в реальном времени.

• Параллельно стартапы вроде Decart и Odyssey показывают впечатляющие демо.

• World Labs Фэй‑Фэй Ли выпустила свой первый коммерческий продукт — Marble.

• Новички тоже не отстают: General Intuition в октябре привлёк 134 млн $ посевных инвестиций на обучение агентов пространственному мышлению.

• Видеостартап Runway в декабре представил свою первую модель мира — GWM-1.

Хотя в долгосрочной перспективе исследователи видят огромный потенциал в робототехнике и автономных системах, первый ощутимый эффект в ближайшее время, скорее всего, проявится в видеоиграх. По прогнозу PitchBook, рынок моделей мира в игровой индустрии может вырасти с 1,2 млрд $ за период 2022–2025 годов до 276 млрд $ к 2030-му — за счёт способности технологии создавать интерактивные миры и правдоподобных неигровых персонажей.

Пим де Витте, основатель General Intuition, отметил, что виртуальные среды способны не только радикально изменить игры, но и стать ключевыми полигонами для обкатки следующего поколения базовых моделей.

Мир агентов

В 2025 году агенты так и не оправдали возложенный на них хайп — во многом потому, что их оказалось крайне сложно подключить к тем системам, где на самом деле происходит работа. Без доступа к инструментам и контексту большинство агентов застряло на уровне пилотных сценариев, не выходя за пределы аккуратных демо.

Model Context Protocol (MCP) от Anthropic — своего рода «USB‑C для ИИ», позволяющий агентам напрямую взаимодействовать с внешними инструментами вроде баз данных, поисковых систем и API, — как раз и оказался тем недостающим связующим звеном. Он стремительно превращается в де‑факто‑стандарт: OpenAI и Microsoft публично поддержали MCP, а Anthropic недавно передала его в Agentic AI Foundation при Linux Foundation, задача которого — стандартизация опенсорс‑инструментов для агентных систем. Google тоже не осталась в стороне и начала разворачивать собственные управляемые MCP‑серверы, чтобы связать ИИ‑агентов со своими продуктами и сервисами.

Поскольку MCP снижает трение между агентами и реальными рабочими системами, именно 2026 год с большой вероятностью станет моментом, когда агентные рабочие процессы наконец выйдут за рамки демонстраций и войдут в повседневную практику.

Усиление, а не автоматизация

Рост агентных процессов может вызывать опасения по поводу грядущих сокращений, но Каттанфуруш из Workera не уверен, что именно к этому всё идёт. «2026 год станет годом людей», — утверждает он.

В 2024-м почти каждая ИИ‑компания обещала автоматизировать рабочие места до такой степени, что люди станут не нужны. Но технологии до этого уровня пока не дотягивают, да и в условиях нестабильной экономики такая риторика звучит всё менее убедительно. По словам Каттанфуруша, в следующем году фокус сместится с замещения человека на то, как ИИ усиливает человеческие рабочие процессы.

«И я думаю, что многие компании снова начнут нанимать людей, — добавляет он, — появятся новые роли в области управления ИИ, прозрачности, безопасности и работы с данными. Я довольно оптимистично смотрю на то, что средний уровень безработицы в следующем году будет ниже 4%. Люди хотят быть над API, а не под ним, и, на мой взгляд, 2026 год здесь играет ключевую роль».

Выход в физический мир

По мнению экспертов, прогресс в таких областях, как малые модели, модели мира и edge‑вычисления, открывает дорогу куда более широкому применению машинного обучения в физическом мире — там, где алгоритмы не просто считают, а действуют.

«Физический ИИ выйдет в мейнстрим уже в 2026 году: на рынок начнут массово выходить новые категории устройств с ИИ на борту — от робототехники и автономного транспорта до дронов и носимой электроники», — рассказал Викрам Танеджа, глава AT&T Ventures.

Хотя автономные автомобили и роботы выглядят очевидными сценариями для физического ИИ и, без сомнений, продолжат развиваться в 2026-м, их обучение и внедрение по‑прежнему обходятся дорого. Носимые устройства, напротив, предлагают более доступную точку входа — и уже получили одобрение со стороны потребителей. Умные очки вроде Ray‑Ban Meta✶ начинают поставляться с ассистентами, которые отвечают на вопросы о том, на что вы смотрите, а новые форм‑факторы — такие, как умные кольца для здоровья с ИИ и смарт‑часы, — постепенно приучают пользователей к постоянному ИИ на теле, работающему без перерывов.

«Провайдеры связи будут оптимизировать сетевую инфраструктуру под эту новую волну устройств, и наилучшие позиции займут те, кто способен гибко предлагать варианты подключения», — подытоживает Танеджа.

_{✶ Meta — деятельность организации запрещена на территории Российской Федерации.
✶ Ray‑Ban Meta — продукт компании Meta Platforms Inc., деятельность которой запрещена на территории Российской Федерации.}

Делегируйте рутинные задачи с BotHub! Сервис доступен даже без ВПН и принимает российские карты. Вы можете получить 100 000 бесплатных токенов по ссылке, чтобы приступить к работе с нейросетями прямо сейчас!