9 ключевых ИИ-трендов
- Джимшер Челидзе
- 6 минут назад
- 6 мин. чтения
Введение
ИИ в 2026 году — это уже не эксперимент и не вопрос «какую модель выбрать». Это вопрос управленческой зрелости: насколько системно компания выстраивает контур данные → модель → контроль качества → безопасность → ответственность → обучение людей.
Парадокс рынка: использование GenAI растёт, но измеримый результат получают не все. По данным Wharton WHAIR, 82% руководителей используют GenAI еженедельно — однако выигрывают лишь те, кто превращает ИИ в управляемый продукт, а не в набор разрозненных пилотов.
Ниже — 9 трендов в трёх блоках: технологии, бизнес-применение и управление. В конце — практический чек-лист и формат диагностики.
Главное
Побеждает процесс, а не размер модели.
Системы рекомендаций дают более ценный и быстрый эффект, чем генерации текстов и изображений
Чат-боты уходят, приходят продукты и агенты.
Скорость цикла решений — ваше конкурентное преимущество.
Без управления — инциденты, штрафы и стресс.
Собственнику
Если прибыль не растёт — посмотрите на скидки, маржу, время согласования сделок, себестоимость. Зафиксируйте текущие показатели: это ваша базовая линия для пилота.
Если управляемость падает — постройте корпоративную базу знаний с ИИ-ассистентом по регламентам и FAQ, встраивайте ИИ в процессы и контроль. Измеряйте количество согласований и ошибок каждую неделю.
Если рутина душит — начните с извлечения данных из документов: PDF, сканы, письма. Считайте время обработки и долю возвратов.
Мини-словарь
Термин | Простым языком |
LLM | Языковая модель, которая пишет, объясняет, анализирует |
Мультимодальность | ИИ работает с текстом, фото, аудио, таблицами одновременно |
СППР | Система поддержки принятия решений: данные → анализ → совет → действие → контроль |
Агент | ИИ, который выполняет действия в системах по заданным правилам |
Governance | Управленческий контур: роли, права, логи, метрики, инциденты |
On-prem | Развёртывание внутри корпоративного контура, данные не уходят наружу |
Дрейф | Снижение качества ИИ из-за изменений в данных или контексте |
Skill atrophy | Деградация навыков людей из-за чрезмерной зависимости от ИИ |
Блок I. Технологический фундамент
Тренд 1. Снижение порога входа
Раньше разработка ИИ-моделей была доступна только крупным корпорациям. Сейчас разработка ИИ-моделей тоже затратно. Однако теперь появляются готовые сервисы (Chat GPT и аналоги) и доступные ИИ-инструменты self-service: готовые модели, low-code/no-code, встроенные ассистенты в корпоративных продуктах, инфраструктура для локального развёртывания. Теперь побеждает не тот, у кого «самая большая модель» или бюджет, а тот, кто быстрее и аккуратнее встраивает ИИ в процессы.
Но «узкое горлышко» сместилось: теперь это не технология, а управление внедрением — выбор кейсов, регламенты, качество данных и контроль результата. Без правил сотрудники создают теневой ИИ-ландшафт, неподконтрольный ИТ и ИБ.
Тренд 2. Создание моделей, которым нужно все меньше данных для обучения: снижение издержек и рост рисков
Технологии стремительно улучшаются. И для создания моделей с нуля нужно все меньше данных, и использование LLM моделей меняет подход. Например, LLM можно тренировать в режимах few-shot и zero-shot, когда им показывают 2-3 примера.
Но, помимо выгоды возникают и риски. Показательный пример: Microsoft Research VALL-E продемонстрировал синтез голоса по трёхсекундному аудио-фрагменту. Microsoft не опубликовала код из-за рисков злоупотреблений: имперсонация, подмена голоса, обход голосовой идентификации.
Для бизнеса вывод прост: чем проще стала «магия», тем важнее антифрод, ИБ и правовые ограничения — не после пилота, а до масштабирования.
Тренд 3. Локальное развертывание
Модели снижают требовательность к ИТ-ресурсам. Сами алгоритмы становятся все более эффективными. Оптимизация и сжатие моделей делают локальное развёртывание практичной альтернативой облаку — особенно там, где критичны конфиденциальность, задержки или регуляторика.
Параллельно усиливается архитектура «оркестра моделей»: вместо одной «универсальной» LLM используется набор специализированных моделей (извлечение, классификация, генерация, проверка), соединённых маршрутизацией, политиками безопасности и мониторингом.
Кроме того, под эти задачи появляется и все больше инструментов.
Тренд 4. Мультимодальность — конкурентный стандарт
Современные решения обрабатывают текст, таблицы, документы, изображения, аудио и сигналы датчиков одновременно. Для бизнеса это переход от «ответов в чате» к комплексным сценариям.
Именно мультимодальность делает ИИ применимым к реальным процессам, где данные редко бывают только текстовыми.
Блок II. Бизнес-применение
Тренд 5. Цифровые советники (системы поддержки принятия решений )
СППР— главный «денежный» класс решений, который закрывает потребности руководителей и создают ценность.
Примеры прикладного применения СППР
Расчет цен и согласование потребностей
Оптимизации цепочек поставок
Принятие решение о предоставление кредитов
Планирование ремонтов и предиктивная аналитика по отказам оборудования
Страхование и расчет рисков
Конфигурирование ИТ-систем и расположения вышек связи
Прогнозы по выручке и рентабельности
Предсказание природных катаклизмов и рекомендации по мерам их предотвращения или ликвидации
Оптимизация продуктовых линеек, программ лояльности и минимизация оттока клиентов
Планирование закупок и хранения и т.д.
Управление проектами
Рекомендации по работе с контактами
Кейс: BlackRock и платформа Aladdin
BlackRock — крупнейшая в мире управляющая компания. По итогам 2025 года её активы под управлением впервые превысили $14 трлн — это рекордный показатель в истории отрасли. Выручка за Q4 2025 выросла на 23%, до $7,01 млрд.
Смысл кейса не в размере: BlackRock много лет строила платформенный контур управления. Aladdin — это единая система для управления портфелями, рисками и операциями, которая превращает аналитику и контроль в основу операционной модели. И эта система стала одним из ключевых инструментов для выхода из кризиса 2008 года.
Вывод для бизнеса: конкурентное преимущество создаёт не «одна модель», а платформа решений + данных + контроля.
Тренд 6. Синергия ИИ с другими цифровыми технологиями.
Изолированный ИИ часто даёт ограниченный эффект. Сильная экономика появляется, когда есть датчики, каналы передачи, инфраструктура хранения и обработки, модель выявления отклонений и — главное — процесс реагирования.
Кейс: высокоскоростные ж/д Китая
SCMP со ссылкой на рецензируемую статью в журнале China Railway сообщает: ИИ-система в Пекине обрабатывает данные со всей сети (45 000 км) и предупреждает об аномалиях за ~40 минут с точностью до 95%. Число мелких дефектов пути снизилось на 80%, а предупреждений о снижении скорости из-за серьёзных нарушений за год не было вовсе.
Вывод для бизнеса: эффект создаёт не генерация текста, а связка датчики → аналитика → действие → контроль качества.
Тренд 7. От чат-ботов к продуктам и агентам
Отрасль уходит от «ботов, которые отвечают», к решениям, которые встроены в процесс, имеют права и ограничения, выполняют действия и измеряются KPI процесса, а не «качеством диалога».
Gartner прогнозирует: к концу 2026 года 40% корпоративных приложений будут интегрированы с task-specific ИИ-агентами — рост с менее чем 5% в 2025. К 2035 году agentic AI может приносить ~$450 млрд, или 30% выручки рынка enterprise-софта.
Но автономность нельзя включать «на максимум» сразу. Чтобы уйти от спора «какая модель лучше», используйте рамку автономности
Тип | Что делает | Плюсы | Риски | Как внедрять |
Ассистент | Ищет, суммирует, предлагает варианты | Быстро, дёшево, низкий риск | Галлюцинации, эффект ограничен | FAQ / база знаний, логирование, куратор |
Ко-пилот | Делает часть задачи под контролем | Баланс скорости и контроля | Люди перестают проверять | Чек-листы, обязательная валидация |
Агент | Автономно выполняет операции | Снижение трудоёмкости | Цена ошибки высокая | Некритичные процессы, минимум прав, мониторинг |
Мультиагент | Сквозные процессы несколькими агентами | Максимальный потенциал | Высокая сложность и стоимость | Только при зрелых процессах, данных и governance |
Критерии перехода на следующий уровень: качество данных, стабильность процесса, измеримость результата (baseline/KPI), понятная цена ошибки и механизм отката, зрелый governance.
Правило: не прыгайте через ступеньку. Ассистент → ко-пилот → агент → мультиагент.
Блок III. Управление и люди
Тренд 8. От экспериментов — к управляемому внедрению
В 2026 году ключевой сдвиг — от пилотов к дисциплине. ETR фиксирует: enterprise AI «shifted from experimentation to execution» — компании сужают доступ (меньше «мест»), но увеличивают расходы на целевые возможности, усиливая governance и привязку к ROI.
Как резюмирует один из CISO в панели ETR: «Компании покупают меньше доступа к ИИ, но больше возможностей».
ROI — не лозунг, а обязанность
Многолетнее исследование Wharton WHAIR (800 руководителей, компании с выручкой $50M+) показывает:[1][3]
· 82% руководителей используют GenAI еженедельно (рост с 37% в 2023)
· 72% компаний измеряют ROI-метрики: продуктивность, прибыльность, throughput
· 3 из 4 уже видят позитивные возвраты на ранних инвестициях
· 88% планируют увеличить расходы на GenAI в ближайшие 12 месяцев
Важно: это не означает «гарантированный ROI для любого процесса». Выигрывают те, кто умеет считать эффект, отключать «пустые» кейсы и масштабировать доказанные.[1]
Минимальный governance-контур 2026
Чтобы ИИ не превратился в «теневое ИТ», необходимо:
Роли: владелец процесса, владелец данных, владелец модели, куратор качества, ИБ/комплаенс
Политики автономности: что ИИ делает без человека, что — только с подтверждением
Логирование и аудит всех действий ИИ
Мониторинг качества, дрейфа и инцидентов
Тренд 9. Синергия человека и ИИ (70/30)
ИИ усиливает людей, но не снимает ответственность. Практическая рамка: ИИ берёт ~70% рутины (сбор, структурирование, черновые варианты), человек отвечает за ~30% — контекст, ограничения и финальное решение.
Но Wharton фиксирует новый риск: skill atrophy. 43% лидеров предупреждают о деградации навыков, даже при том что 89% считают, что GenAI в целом усиливает работу.[1][3]
Управленческий вывод: выигрывают компании, которые формализуют роли «ИИ помогает — человек отвечает», создают ограничения, метрики качества и контур контроля.
Что сделать:
1. Опишите границы для 2–3 процессов: что ИИ делает без подтверждения, что проверяет человек.
2. Добавьте откат: кнопка «стоп» и журнал ошибок.
3. Включите обучение ИИ-грамотности в программу развития руководителей.
Три быстрых пилота по функциям
Продажи: разбор звонков, причины отказов, подсказки менеджеру
Финансы: классификация документов, контроль отклонений, панель дебиторки
HR: ассистент по регламентам, автоматизация онбординга, ответы на частые вопросы
Типичные ошибки
Нет владельца процесса — ИИ «повисает» между ИТ и бизнесом
Нет метрик качества — невозможно доказать ценность и защитить бюджет
ИБ подключается в конце — блокировки, переделки, потеря времени
Нет change management — сопротивление людей съедает весь эффект
«ИИ ради ИИ» — без привязки к экономике и конкретному процессу
Источники
Wharton Human-AI Research (WHAIR), GBK Collective. «82% of Enterprise Leaders Now Use Generative AI Weekly, Multi-Year Wharton Study Finds, as Investment and ROI Continue to Build». BusinessWire, 28 октября 2025 г.
ETR (Enterprise Technology Research). «Enterprise AI Trends 2026: How Leaders Measure ROI and Risk». ETR Research, 4 февраля 2026 г.
Gartner (Anushree Verma, Sr Director Analyst). «Gartner Predicts 40% of Enterprise Apps Will Feature AI Agents by 2026». Gartner Press Release, 26 августа 2025 г. (обновлено 5 сентября 2025 г.).
BlackRock, Inc. «BlackRock Reports Full Year 2025 Diluted EPS of $35.31, or $48.09 as Adjusted». BlackRock Newsroom, 15 января 2026 г.
BlackRock, Inc. «Aladdin: Portfolio Management Software». BlackRock Institutional.
Microsoft Research. «VALL-E X: Multilingual Text-to-Speech Synthesis». Microsoft Research Project Page.
Stephen Chen. «China Puts Trust in AI to Maintain Largest High-Speed Rail Network on Earth». South China Morning Post, 11 марта 2024 г.
