От магии к прагматике: бизнес-тренды в применении ИИ

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.

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.

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.

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.

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.