Сколько весит искусственный интеллект?

У интеллекта нет массы, и всё же про искусственный интеллект постоянно говорят так, будто он что-то весит: давит на экономику, на энергосистему, на наше представление о норме. «Вес» здесь — метафора, но метафора рабочая. Под весом ИИ мы понимаем не килограммы, а место в системе человечества: сколько людей он касается ежедневно, какую долю мира он уже производит, сколько ресурсов планеты потребляет и как быстро всё это меняется. Чтобы такую величину вообще можно было обсуждать, её нужно разложить на измеримые оси. В этом лонгриде их четыре, и каждая отвечает на отдельный вопрос: человек — масштаб личного контакта, контент — доля произведённого, планета — физическая цена, время — траектория.

Линзы устроены как объектив, который мы отдаляем по порядкам величины. Первая линза — человек (×1): один пользователь, одна сессия, одна привычка. В этом масштабе ИИ уже не курьёз: к концу 2025 года, по данным OpenAI, ChatGPT превысил 800 млн еженедельных пользователей, а к февралю 2026-го — около 900 млн. В мае-июне 2026-го, по данным Reuters со ссылкой на Sensor Tower, приложение ChatGPT впервые набрало 1 млрд месячных активных пользователей — это самый быстрый выход к такому масштабу среди приложений в истории (важно: миллиард — это месячная аудитория приложения, а не еженедельная). Вторая линза — контент (×10⁹): уже не люди, а тексты, картинки и код, которые машина выкладывает в общий поток. Третья — планета (×10¹⁰): дата-центры, гигаватты, вода для охлаждения; здесь ИИ перестаёт быть софтом и становится инфраструктурой. Четвёртая линза — время: не точка, а кривая, по которой движется всё предыдущее. Каждое отдаление объектива меняет не только цифру, но и саму природу вопроса.

Предсказание про «90% контента к 2026» промахнулось мимо цифры, но попало в направление — и именно этот зазор между красивым числом и реальностью я и пытаюсь честно держать в фокусе.

Прежде чем называть числа, нужна методологическая честность — иначе весь лонгрид превратится в набор пугающих заголовков. Я строго разделяю три вещи. Измерение — то, что уже сосчитано: например, исследование Ahrefs, проанализировавшее около 900 тыс. новых англоязычных веб-страниц, обнаруженных в апреле 2025-го, нашло следы ИИ-генерации на 74,2% из них (при этом «чисто машинных» — лишь 2,5%, «чисто человеческих» — около 25,8%, а остальные ~71,7% — смесь). Прогноз — обоснованная экстраполяция тренда: так Epoch AI фиксирует, что вычисления на обучение передовых моделей растут примерно в 4–5 раз в год (для языковых моделей удвоение — около каждых пяти месяцев), и аккуратно продлевает эту кривую вперёд. И, наконец, предсказание — смелое заявление, которое сбывается лишь частично или не сбывается вовсе.

Канонический пример последнего жанра — тезис, что к 2026 году до 90% онлайн-контента может быть сгенерировано синтетически. Его восходит к докладу Европола о дипфейках 2022 года («Facing reality?»), и за три года он оброс десятками перепечаток как уже свершившийся факт. Сегодня, в середине 2026-го, видно, что предсказание не сбылось в буквальном смысле: 90% всего интернета машина не пишет — это арифметически почти невозможно на фоне тридцати лет накопленных человеком страниц. Но и отмахнуться от него нельзя: на свежих страницах доля машинного следа действительно подобралась к трём четвертям. Предсказание промахнулось мимо цифры, но попало в направление — и именно этот зазор между красивым числом и реальностью я и пытаюсь честно держать в фокусе.

Сжатие времени — отдельная причина, по которой ИИ так трудно «взвесить» на глаз: ориентиры устаревают быстрее, чем их успевают усвоить. Нагляднее всего это видно на способностях. На тесте научных вопросов уровня PhD (GPQA Diamond) модели поднялись с примерно 39% у GPT-4 в конце 2023 года до ~94% у лучших систем начала 2026-го — это выше человеческого экспертного ориентира, который в исходной работе по GPQA оценивали примерно в 65% (профильные эксперты по своей области; Stanford HAI в AI Index 2026 использует более строгий валидаторский базис около 81%). По данным AI Index 2026 от Stanford HAI, ведущие модели впервые сравнялись с человеческим экспертным уровнем или превысили его на ряде научных и математических бенчмарков, а в 2025-м система Google (Gemini Deep Think) показала золотой результат на Международной математической олимпиаде. То, на что в прежних технологиях ушли бы десятилетия, ИИ прошёл примерно за два-три года — и именно поэтому статичный снимок здесь обманчив: взвешивать нужно не точку, а скорость.

Из этой скорости вырастает и физическая цена — четвёртая линза, к которой мы вернёмся подробно. Пока достаточно одного порядка величины: по оценкам Международного энергетического агентства (IEA, отчёт «Energy and AI», 2025), дата-центры потребляли около 415 ТВт·ч электричества в 2024 году — примерно 1,5% мирового спроса, — и IEA прогнозирует рост до ~945 ТВт·ч к 2030 году, то есть почти до 3% мирового потребления, причём доля ИИ внутри этой цифры — главный драйвер роста. Цифры здесь — оценки и диапазоны, а не точные показания счётчика, и я буду это отмечать. Сложив четыре линзы вместе, лонгрид отвечает на один вопрос: какое место искусственный интеллект уже занял в системе человечества — и по какой траектории это место меняется? Не «захватит ли ИИ мир», а более скромное и проверяемое: сколько он уже весит — и с каким ускорением тяжелеет.

Начнём с самого приземлённого масштаба — одного человека и его кошелька. На уровне отдельного пользователя экономика искусственного интеллекта выглядит почти разочаровывающе скромно. По данным Bank of America Institute (отчёт «Not quite mAInstream: A consumer AI adoption profile», 2026), за платный ИИ платят лишь около 3% домохозяйств — клиентов банка, и это при том, что анализ опирается на счета, представляющие почти 70 млн потребителей. Медианная сумма такого платежа в феврале 2026 года составляла $20 в месяц (на 10,4% больше, чем годом ранее) — то есть ровно одну стандартную подписку уровня ChatGPT Plus или Claude Pro. Не пакет сервисов, не корзина инструментов, а одна привычная цифра. Для технологии, которой пророчат переустройство всей экономики, это удивительно мало.

Базовая модель массового ИИ — это бесплатность. Мобильные приложения ChatGPT в мае 2026 года преодолели 1 млрд ежемесячных пользователей (Sensor Tower) — быстрее, чем любое приложение до него, — но платит лишь тонкая прослойка. По оценкам, конверсия ChatGPT в платную подписку держится около 5–6%. Подавляющее большинство людей встроили ИИ в жизнь, ничего за него не отдавая, — и в этом сама суть нынешней монетизации: бесплатный доступ как воронка, в которой деньги приносят немногие конвертированные. Отсюда крайне низкий ARPU (средний доход на пользователя). По данным Sensor Tower, на мобильном рынке США в мае 2026 года Claude приносил $2,76 на пользователя против примерно $1,74 у ChatGPT — и это считается высоким результатом (ещё в сентябре 2025-го ARPU Claude был ниже $0,50). У Claude подписку оформляют около 13% пользователей — лучшая конверсия среди крупных ассистентов; разрыв в выручке на человека отражает не размер аудитории, а её готовность платить.

Человек на $20 покупает удобную игрушку, человек на $200 — производственную мощность: для него подписка на ИИ это уже не потребление, а операционные расходы малого бизнеса.

Полезно поставить эти $20 в контекст обычных трат. По исследованию C+R Research (2022), средний американец тратит на все свои подписки около $219 в месяц — стриминг, музыку, облака, доставку, спортзал, — хотя сам оценивает эту сумму куда скромнее. На таком фоне один платёж за ИИ — это меньше десятой части подписочного бюджета и психологически сопоставим с ещё одним стриминговым сервисом. Именно так его пока и воспринимают: как ещё одну строчку расходов, которую легко добавить и так же легко отменить. Показательно, что растёт этот рынок не вглубь, а вширь: по данным BofA, число платящих домохозяйств выросло на 38% относительно среднего уровня 2024 года, а доля тех, кто платит $21–40 в месяц, прибавила 50%. Люди не столько увеличивают чек, сколько впервые на него решаются.

Но самое интересное начинается на верхнем краю шкалы. Рядом с массовым «потребительским» пользователем за $20 вырос отдельный вид — профессиональный, готовый платить $200 в месяц за тарифы вроде ChatGPT Pro или Claude Max (20×). В апреле 2026-го OpenAI добавила и промежуточный уровень за $100 в месяц — тем же шагом, что и Claude Max (5×). Психологически это совсем другой режим. Человек на $20 покупает удобную игрушку и помощника по мелочам; человек на $200 покупает производственную мощность. Для него подписка — не потребление, а операционные расходы малого бизнеса: ИИ заменяет ему стажёра, аналитика, копирайтера или младшего разработчика, и $200 он сравнивает не с ценой Netflix, а с почасовой ставкой специалиста, которого больше не нанимает. Это и есть расслоение рынка на consumer и prosumer — два населения с принципиально разной готовностью платить.

Эта развилка определяет, куда движется монетизация. Очевидный вектор — вверх по тарифной лестнице: премиальные уровни за $100–200 и выше, где ИИ продаётся уже не как чат, а как рабочая сила. Второй, более глубокий сдвиг — переход от подписки к оплате за действие и за результат. Когда ИИ-агент перестаёт отвечать на вопросы и начинает выполнять задачи целиком — бронировать, писать код, проводить исследование, — фиксированная цена за «доступ к модели» работает всё хуже. Показательно, что в мае 2026-го Anthropic анонсировала вынос агентных сценариев (Agent SDK, headless-режим, сторонние инструменты) из общего лимита подписки на отдельный кредит, тарифицируемый по ценам API; правда, к 15 июня компания эту перестройку приостановила, оставив прежний порядок и пообещав доработать подход. Сам факт такой попытки показателен: индустрия нащупывает outcome-based pricing — плату, привязанную к проделанной машиной работе, а не к календарю.

Сухой остаток для уровня «×1» такой: сегодня экономика отдельного пользователя ИИ мизерна и хрупка — около трёх процентов домохозяйств, медианные $20, ARPU в районе пары долларов, гигантская бесплатная масса сверху. Но именно здесь спрятан главный вопрос ближайших лет. Сумеет ли ИИ превратить привычку миллиарда бесплатных пользователей в готовность платить — и за что именно: за подписку, за мощность или за результат? Пока что, по прогнозу Sensor Tower, мировые потребительские траты на ИИ-приложения в первой половине 2026-го превысят $4 млрд (+36% к предыдущему полугодию) — и это всё ещё крошечная доля того, что вкладывается в инфраструктуру выше по цепочке. Весь разрыв между этими двумя цифрами — между тем, сколько ИИ стоит, и тем, сколько за него готов отдать один человек, — и есть настоящий сюжет всего этого лонгрида.

Самый недооценённый масштаб ИИ — не вычислительный и не энергетический, а текстовый. В апреле 2025 года Ahrefs прогнал через собственный детектор (bot_or_not) около 900 тысяч свежесозданных веб-страниц и обнаружил, что 74,2% из них содержат ИИ-текст. При этом картина не «робот заменил человека»: чисто машинных страниц всего 2,5%, ещё 25,8% — полностью человеческих, а доминирующие 71,7% — это смесь, где ИИ ассистирует, а правит человек. Отдельное исследование Ahrefs по 600 тысячам страниц (топ-20 выдачи для 100 тысяч запросов) дало ту же логику на другом срезе: 86,5% страниц в топ-20 Google несут следы ИИ, но лишь 4,6% сгенерированы целиком. Корреляция между «машинностью» текста и позицией в выдаче оказалась 0,011 — статистически это ноль. Поисковику, судя по данным, всё равно, кто держал перо; ему важно качество.

Параллельно меняется не только то, чем наполняется сеть, но и то, как мы к ней обращаемся. К июлю 2025 года ChatGPT обрабатывал более 2,5 млрд сообщений в день; аудитория за тот же год выросла с 400 млн недельных пользователей (февраль 2025) примерно до 900 млн к концу года, а к июню 2026-го, по данным Reuters, приложение достигло миллиарда активных пользователей в месяц — это самый быстрый выход к отметке в 1 млрд MAU в истории приложений. Это уже не «ещё один сайт», а новый интерфейс к знанию: десятки миллионов людей задают вопрос не поисковику, а собеседнику, который синтезирует ответ из проиндексированного интернета, не отправляя вас дальше. ИИ встаёт ровно посередине — между человеком и первоисточником.

Будущая сеть будет делиться не на «настоящее и фейк», а на «с подтверждённым происхождением и без него».

Если посмотреть на сеть со стороны провода, человек на ней уже в меньшинстве. Отчёт Imperva Bad Bot Report 2025 (Thales) зафиксировал перелом: впервые за десятилетие автоматический трафик (51%) превысил человеческий, а на долю откровенно вредоносных ботов пришлось 37% — против 32% годом ранее. Тот же ИИ, что снижает порог входа для авторов, снижает его и для атакующих: дешёвые большие модели позволяют клепать правдоподобных скрейперов, обходящих простую защиту, и наращивать объём примитивных атак. Сеть всё больше становится средой, где машины разговаривают с машинами, а люди — гости в собственной инфраструктуре.

Последствия этого сдвига уже измеримы в деньгах паблишеров. Pew Research, отследив 68 879 реальных запросов в марте 2025-го, показал, что при появлении ИИ-сводки пользователи кликают по обычным ссылкам лишь в 8% случаев против 15% без неё — падение почти вдвое, а по ссылкам внутри самого ИИ-ответа кликают примерно в 1% случаев. Ahrefs оценил эффект AI Overviews в минус 34,5% кликов на топовой позиции по затронутым запросам (апрель 2025; в обновлении за декабрь 2025 по той же методике — уже минус 58%). Доля «нулевых» поисков по новостным запросам выросла, по данным Similarweb, с 56% до 69% за год (май 2024 — май 2025). Экономика открытого веба, два десятилетия державшаяся на том, что Google отдаёт трафик в обмен на контент, расшатывается: ответ всё чаще даёт сам поисковик, а сайт-источник остаётся без визита и без рекламного показа.

Отсюда тихая смена дисциплины: вместо SEO (борьбы за место в десяти синих ссылках) приходит GEO — generative engine optimization, борьба за то, чтобы стать цитатой внутри ответа. И это не косметика: по отраслевым оценкам пересечение между топом Google и источниками, которые цитируют ИИ-движки, упало с ~70% до менее 20%. Появиться в ответе ChatGPT, Gemini или Perplexity теперь не то же самое, что выйти в топ выдачи, — у моделей складываются собственные предпочтения, где структурированные факты, оригинальные данные и проверяемая статистика весят иначе, чем накопленная ссылочная масса. Видимость в сети начинает определяться не только алгоритмом ранжирования, но и тем, кому модель решила довериться.

Главный вопрос здесь — эпистемический: как отличить написанное человеком от сгенерированного и можно ли доверять источнику. Один из ответов — провенанс, криптографическая «родословная» контента. Стандарт C2PA дорос до версии 2.3 (5 января 2026), Adobe встроила Content Credentials в Photoshop, Lightroom и Firefly, Sony поддерживает подпись на уровне камер Alpha, а Google развивает невидимые водяные знаки SynthID, переживающие пересжатие и часть правок. В мае 2026-го OpenAI присоединился к C2PA, стал Conforming Generator и начал помечать изображения из ChatGPT двойным слоем — манифестом C2PA и водяным знаком SynthID. Это не серебряная пуля: для текста надёжных водяных знаков почти нет, а метаданные легко срезать. Но направление задано — будущая сеть будет делиться не на «настоящее и фейк», а на «с подтверждённым происхождением и без него».

«Теорию мёртвого интернета» данные одновременно подтверждают и опровергают. Исследование Stanford, Imperial College London и Internet Archive (детектор Pangram) насчитало к маю 2025 года 35,3% новых сайтов с ИИ-участием и 17,6% полностью машинных — но из шести проверенных гипотез «мёртвого интернета» подтвердились лишь две, а значимой связи между долей ИИ-контента и ростом фактических ошибок не нашлось. То есть сеть не «умерла» и, судя по этому замеру, не стала заметно менее точной; она стала гибридной — смесью, а не заменой. Куда это движется к 2030 году? Вероятный сценарий — расслоение: открытый веб, наполовину машинный и всё хуже монетизируемый, превращается в сырьё для моделей; поверх него вырастает слой ассистентов, которые становятся главной точкой контакта человека с информацией; а тонкая прослойка проверяемого, подписанного, человеческого контента дорожает именно потому, что становится редкостью. ИИ не отменяет интернет — он встраивается между нами и им новым посредником, и борьба ближайших лет идёт за то, останется ли этот посредник прозрачным.

Самая надёжная точка отсчёта здесь — специальный доклад МЭА «Energy and AI» (апрель 2025). По его оценке, центры обработки данных потребили в 2024 году около 415 ТВт·ч электроэнергии — примерно 1,5% мирового потребления. Это уже не статистическая погрешность. В базовом сценарии МЭА к 2030 году спрос почти удваивается до ~945 ТВт·ч (чуть менее 3% мира), а к 2035-му доходит до ориентировочно 1200–1300 ТВт·ч. Среднегодовой рост в 2024–2030 годах — около 15%, более чем вчетверо быстрее, чем электропотребление всех остальных секторов вместе взятых. Важно различать измерение и прогноз: 415 ТВт·ч — это оценка по факту, а 945 — модельный сценарий, который сам МЭА окружает диапазоном неопределённости.

Внутри этой цифры есть мотор, который раскручивается быстрее всего. В базовом сценарии обычные серверы прибавляют около 9% в год, а «ускоренные» серверы под ИИ (стойки на GPU) — примерно 30% в год: их потребление к 2030-му, по сути, утраивается, и именно на них приходится почти половина всего прироста спроса дата-центров. Чтобы почувствовать масштаб: по обновлённой оценке МЭА (конец 2025-го) спрос дата-центров рос на 17% в 2025 году и должен перевалить за 1000 ТВт·ч к концу 2026-го — это сопоставимо с годовым потреблением такой страны, как Япония. Отсюда удобная метафора: ЦОД как отдельная «пятая страна» в мировом энергобалансе, которой нет на карте, но которая стоит в очереди за мощностью наравне с государствами.

Дата-центры — это «пятая страна» в мировом энергобалансе: её нет на карте, но за мощность она стоит в очереди наравне с государствами.

Нагрузка распределена крайне неравномерно — и по странам, и по локальным сетям. По МЭА, на США и Китай вместе приходится около 80% прироста спроса до 2030 года, причём США дают наибольшую часть; заметная доля — у Европы. Но по-настоящему болезненны точечные перегрузки. Канонический пример — Ирландия: по данным национального статистического бюро (CSO), дата-центры израсходовали 21% всей учтённой электроэнергии страны в 2023 году (против 5% в 2015-м), а оператор сети EirGrid допускает рост к ~30% к 2030 году. Когда один класс потребителей берёт пятую часть сети небольшой экономики, это уже не вопрос экологии, а вопрос очерёдности подключений и цен для всех остальных.

Второй ресурс, о котором вспоминают реже, — вода. Испарительное охлаждение крупных площадок расходует её сотнями миллионов литров в день. Оценки здесь грубее, чем по электричеству, и их стоит читать как порядок величины: по расчётам Mordor Intelligence (приведённым Barchart, 2025), ИИ-дата-центры израсходовали за год порядка триллиона литров воды (~264 млрд галлонов) — сопоставимо с годовым потреблением небольшого города. Локально это критично: в Техасе, по оценке Houston Advanced Research Center, расход в наиболее интенсивных сценариях может вырасти с десятков миллиардов галлонов в 2025-м до сотен миллиардов к 2030-му — и часто в регионах, где вода и так в дефиците. Гиперскейлеры отвечают инженерно: Microsoft анонсировала дизайн ЦОД с замкнутым контуром и почти нулевым потреблением воды на охлаждение, но пока это новые площадки, а не весь парк.

Здесь же сидит главная ловушка оптимистов — парадокс Джевонса: когда технология становится эффективнее, совокупный спрос нередко не падает, а растёт. Дешёвая и экономная модель вроде DeepSeek (январь 2025-го) на первый взгляд должна была снизить аппетит к вычислениям — но удешевление токена открывает новые применения, а «рассуждающие» модели тратят на инференс заметно больше, чем прежние. Эффективность отдельного запроса улучшается, а суммарный объём вычислений по всем запросам мира — растёт. Поэтому ставка только на «более зелёные чипы» исторически не закрывает проблему спроса.

Что это значит дальше. Энергетика уже стала узким местом роста ИИ — не деньги и не чипы, а доступ к мегаваттам и скорость подключения к сети. Отсюда волна сделок: Microsoft на 20 лет выкупает мощность перезапускаемого реактора Three Mile Island (~835 МВт; перезапуск, в который Constellation вкладывает ~$1,6 млрд, теперь нацелен на 2027 год), Google заказывает малые модульные реакторы у Kairos Power (до ~500 МВт суммарно), Amazon развивает кампус у АЭС Susquehanna (~960 МВт, инвестиции свыше $20 млрд). За год гиперскейлеры законтрактовали в США свыше 10 ГВт потенциальной новой атомной мощности. У этого есть и обратная сторона: чтобы закрыть спрос быстро, в США и Китае нередко откладывают вывод угольных станций и строят газовые, рискуя «залочить» выбросы на годы. МЭА оценивает выбросы от электропотребления дата-центров примерно в 180 млн т CO₂ сегодня с ростом до ~300 млн т к 2035 году в базовом сценарии (до ~500 млн т в сценарии «Lift-Off») — заметно, но это лишь доля процента глобальных энергетических выбросов. Базовый сценарий не предопределён: упрётся ли ИИ в энергию или продавит сеть новой генерацией — это и есть развилка следующих пяти лет, и решаться она будет не только в лабораториях, но и в энергокомиссиях и у операторов сетей.

Сначала о масштабе денег. По данным Stanford HAI AI Index 2026 (опубликован 13 апреля 2026 года), мировые корпоративные инвестиции в ИИ в 2025 году достигли $581,7 млрд — рост примерно на 130% к $253 млрд годом ранее и заметно выше прежнего пика, который AI Index относит к 2021 году (~$360 млрд). Внутри этой суммы частное венчурное финансирование составило $344,7 млрд (+127,5%), остальное приходится на сделки M&A и доли. Иными словами, всего за год капитал, заведённый в ИИ, вырос более чем вдвое — таких темпов притока в отдельную технологию история последних десятилетий почти не знает.

Главная статья расходов — не зарплаты исследователей, а бетон, медь и кремний. Четыре гиперскейлера (Microsoft, Alphabet, Amazon, Meta) в 2025 году потратили на капекс около $410 млрд, а суммарные планы на 2026-й аналитики оценивают примерно в $725 млрд — рост порядка 77% за год, из которых, по оценкам, около трёх четвертей прямо привязаны к ИИ-инфраструктуре: серверы, ускорители, дата-центры, энергоподводка. По корпоративным гайденсам, Amazon ориентируется на ~$200 млрд, Microsoft — около $190 млрд, Alphabet — $180–190 млрд, Meta — $125–145 млрд. Свободный денежный поток при этом сжимается: CNBC и аналитики предупреждают, что рост капекса заметно бьёт по кэшу биг-теха, а у Amazon FCF в 2026-м может уйти в минус.

Когда стройку финансируют долгом под ещё не доказанный спрос, разрыв между капзатратами и выручкой становится той трещиной, по которой система покажет, была ли это стройка будущего или его слишком ранняя оплата.

Сердце этой стройки — Nvidia. За фискальный 2025-й выручка её дата-центрового сегмента составила $115,2 млрд (+142% год к году), а в III квартале фискального 2026-го (закончился 26 октября 2025-го) дата-центры принесли рекордные $51,2 млрд за квартал (+66% год к году). Ускорители Blackwell, по словам компании, идут с превышением спроса над предложением, а доступ к GPU остаётся узким местом всей цепочки — кто контролирует поставку чипов, тот де-факто задаёт темп всей отрасли. Это и делает Nvidia одной из самых дорогих компаний мира, и одновременно концентрирует риск: слишком многое в системе завязано на спрос вокруг одного поставщика.

Дальше начинается главный спор. Капзатраты растут быстрее, чем монетизация. Исследование MIT «The GenAI Divide» (август 2025) показало, что около 95% корпоративных пилотов генеративного ИИ пока не дают измеримого эффекта в P&L; методология (52 интервью, опрос 153 руководителей, 300 публичных внедрений) и сама цифра при этом активно оспариваются. Самый цитируемый аналитический каркас — «вопрос на $600 млрд» партнёра Sequoia Дэвида Кана (развитие его же «вопроса на $200 млрд» 2023 года): сколько годовой выручки отрасль должна генерировать, чтобы оправдать вложенное в железо. Юнит-экономика инференса тоже непроста: по утечкам, расходы OpenAI на инференс в Azure выросли с $3,76 млрд за 2024-й до $5,02 млрд лишь за первое полугодие 2025-го. Контртезис: стоимость инференса для моделей сопоставимого качества падает примерно в 10 раз в год — то есть та же ёмкость со временем резко дешевеет.

Кто за это платит — отдельный сюжет. Раньше стройку тянул собственный денежный поток биг-теха, теперь всё больше включается долг и частный кредит. Только пять крупнейших игроков (Google, Meta, Amazon, Microsoft, Oracle), по оценке Bank of America, разместили за 2025 год около $121 млрд облигаций, а с учётом частного кредита совокупный «ИИ-долг» оценивают существенно выше; Oracle в сентябре 2025-го разместила $18 млрд облигаций под обязательства по сделке с OpenAI. Проект Stargate (OpenAI, Oracle, SoftBank) заявлен с горизонтом инвестиций до $500 млрд и ~10 ГВт мощности, а дата-центры всё чаще строятся через off-balance-sheet SPV с участием Blackstone, Blue Owl, Apollo, Pimco, BlackRock; в капитал заходят и суверенные фонды Ближнего Востока. Когда стройку финансируют долгом под будущий, ещё не доказанный спрос, чувствительность системы к ошибке резко возрастает.

Отсюда — две большие аналогии и два сценария. Скептики (в том числе отдельные представители ФРС) сравнивают происходящее с перестройкой железных дорог конца XIX века и оптоволокна начала 2000-х: инфраструктуру возвели быстрее, чем нашёлся платёжеспособный спрос, и часть капитала сгорела. Оптимисты возражают: в отличие от «тёмного волокна», ИИ-мощности используются здесь и сейчас — Goldman Sachs фиксирует дефицит дата-центровых мощностей более 11 ГВт уже сегодня и до ~45 ГВт к 2028 году, а в базовом сценарии видит рост годового капекса с ~$765 млрд в 2026-м до ~$1,6 трлн к 2031-му (около $7,6 трлн накопленно за 2026–2031). Истина, вероятно, посередине: сверхцикл реален, но переинвестирование на отдельных участках почти неизбежно.

Что станет сигналом, по которому можно отличить устойчивый сверхцикл от коррекции? Стоит смотреть на несколько индикаторов: разворот в гайденсах гиперскейлеров по капексу (с «повышаем» на «оптимизируем»); устойчивое ускорение выручки от ИИ-сервисов, а не только заказов на GPU; динамику стоимости инференса и реальную загрузку (utilization) построенных мощностей; и состояние долгового плеча — расширение спредов по бондам дата-центров и проблемы у SPV. Пока деньги текут, а мощности дефицитны, ставка на инфраструктуру выглядит обоснованной; но именно разрыв между капзатратами и выручкой — та трещина, по которой система покажет, была ли это стройка будущего или его слишком ранняя оплата.

Если измерять вес искусственного интеллекта в граммах кремния, картина получается на удивление узкой. Почти весь современный ИИ обучается на ускорителях Nvidia: по данным Jon Peddie Research, в первом квартале 2025 года компания держала около 92% рынка дискретных (add-in board) GPU, оставив AMD примерно 8%, а Intel — около нуля. В третьем квартале 2026 финансового года (закончился 26 октября 2025-го) выручка её дата-центрового сегмента поставила рекорд в 51,2 млрд долларов, плюс 66% год к году, при общей выручке 57,0 млрд. Но сами чипы Nvidia не производит: их печатает тайваньская TSMC, на которую приходится порядка 67–71% мировой выручки контрактных фабрик и доминирующая доля выпуска по самым тонким техпроцессам (3 нм). А TSMC, в свою очередь, зависит от единственного в мире поставщика литографических машин EUV — нидерландской ASML, которая фактически держит на этом рынке 100%. Получается цепочка из трёх узких горлышек, каждое из которых — фактическая монополия или близкое к ней доминирование.

Эта концентрация превращает вычисления в инструмент внешней политики. С 2022 года США последовательно ужесточают экспортный контроль на ИИ-ускорители, и в апреле 2025-го требование лицензии распространилось даже на урезанный чип H20, который Nvidia проектировала специально под китайский рынок в обход прежних правил. Эффект оказался резким: по словам Дженсена Хуанга (выступление на мероприятии Citadel Securities в октябре 2025-го), доля Nvidia на китайском рынке передовых ускорителей фактически обнулилась — с прежних ~95% до нуля, а сама компания списала 4,5 млрд долларов на ставший ненужным склад H20 ещё в первом квартале FY2026. Освободившуюся нишу занял внутренний игрок: Huawei со своими чипами Ascend, поставки которых в 2025 году аналитики (Mizuho) оценивали примерно в 700 тысяч ускорителей. Экспортный контроль, задуманный как тормоз, заодно стал ускорителем китайской технологической автономии.

Compute начинает «искать» энергию так же, как когда-то заводы искали уголь.

На уровне государств это вылилось в гонку за compute как за стратегический ресурс. По данным Stanford HAI AI Index 2026, частные инвестиции в ИИ в США в 2025 году достигли 285,9 млрд долларов против 12,4 млрд в Китае — разрыв примерно в 23 раза по частному капиталу (оговорка: китайские государственные фонды эту картину сильно искажают). При этом по доле мировых публикаций, цитирований и патентов Китай США уже обошёл, а по выпуску заметных моделей отстаёт несильно: по тому же отчёту — 50 у США против 30 у Китая за 2025 год. Параллельно вычислительная мощность, идущая на обучение передовых моделей, по оценке Epoch AI, растёт примерно вчетверо-впятеро в год. Лидерство больше не сводится к алгоритмам: это конкуренция за чипы, дата-центры и энергию одновременно.

Отсюда — идея «суверенного ИИ»: каждая страна хочет собственные модели, дата-центры и контроль над данными внутри своих границ. Хуанг формулирует это почти милитаристски — «никому не нужны атомные бомбы, всем нужен ИИ» — и относит к суверенным проектам уже многомиллиардную часть выручки Nvidia (по его заявлениям 2025 года — порядка 20 млрд долларов за год, с дальнейшим ростом). Конкретика уже видна: кампус Stargate UAE в Абу-Даби на 5 гигаватт (с участием OpenAI, Oracle, G42 и Nvidia), британская программа на 11 млрд фунтов с Nscale и CoreWeave (до 120 тысяч GPU Blackwell), аналогичные стройки в Японии, Индии, Европе. Сам Хуанг прогнозирует, что глобальные расходы на дата-центры достигнут 2 трлн долларов к 2029 году — это прогноз, а не факт, но он задаёт масштаб ставок.

Чем дальше, тем яснее, что настоящее узкое место — не кремний, а энергия. По оценке МЭА (IEA) в отчёте «Energy and AI» (2025), мировое потребление электричества дата-центрами к 2030 году более чем удвоится и достигнет около 945 ТВт·ч — чуть больше, чем сегодня потребляет вся Япония, — причём спрос именно ИИ-оптимизированных площадок вырастет более чем вчетверо. В США дата-центры к 2030-му, по тому же отчёту, будут потреблять больше электроэнергии, чем уходит на выпуск всех энергоёмких товаров вместе взятых — алюминия, стали, цемента, химии. Поэтому география ИИ всё сильнее привязывается к местам, где есть свободные гигаватты и подключение к сети: Техас, Персидский залив, Скандинавия. Compute начинает «искать» энергию так же, как когда-то заводы искали уголь.

Куда это движется — вопрос открытый, и честнее обозначить два сценария, чем делать вид, что исход предрешён. Первый — фрагментация, «сплинтернет вычислений»: несколько технологических блоков с несовместимыми стеками, своими чипами и закрытым доступом, где экспортные лицензии решают, кто вообще сможет обучать большие модели. Второй — прагматичная кооперация, где цепочка TSMC–ASML слишком взаимозависима, чтобы её разорвать без обоюдных потерь, и страны делят инфраструктуру, как делят газопроводы. Реальность, вероятно, окажется где-то посередине. Но три рычага останутся теми же, что и сегодня: энергия, чипы и кадры — инженеры, способные всё это спроектировать и обслуживать. Кто контролирует эти три рычага, тот и определяет, сколько на самом деле весит ИИ в системе человечества.

Самый материальный двигатель прогресса — это вычисления. По данным Epoch AI, обучающий compute передовых моделей рос примерно на 4–5× в год с 2010 по 2024 год; это измерение, а не прогноз. Эквивалентная формулировка — удвоение примерно каждые шесть месяцев, что заметно быстрее закона Мура. У роста есть физическая тень: пиковая мощность, нужная для обучения, по оценке Epoch растёт даже быстрее — примерно в 2,2–2,9× в год (быстрее, чем удвоение), и по экстраполяции к 2030 году крупнейшие тренировочные запуски могут потребовать порядка 4–16 гигаватт — масштаб от крупной электростанции до нескольких АЭС. Это прогноз с большой неопределённостью, но он объясняет, почему «вес» ИИ всё чаще измеряют не в параметрах, а в мегаваттах и квадратных метрах дата-центров.

Зачем столько считать, объясняют законы масштабирования — эмпирические зависимости, по которым ошибка модели предсказуемо падает по мере роста параметров, данных и вычислений. Важно понимать их статус: это устойчивые экстраполяции, измеренные на множестве прогонов, а не закон природы. Кривые не уходят в ноль — отдача логарифмическая: каждое следующее удвоение даёт всё меньший прирост качества. К 2024–2025 годам в индустрии вызрело ощущение, что простое наращивание предобучения упирается в убывающую отдачу, и поэтому центр тяжести сместился.

«Может иногда» и «делает стабильно» — это разные шкалы способностей, и продакшен живёт на второй.

Сдвиг назвали test-time compute, или масштабированием на этапе вывода. Вместо того чтобы делать модель крупнее, ей дают «думать дольше»: генерировать длинные цепочки рассуждений, перебирать варианты, проверять себя. Так устроены reasoning-модели — линейка OpenAI o1/o3, DeepSeek-R1, режимы «thinking» у Gemini и Claude, получившие распространение в 2025-м. Эффект реален и измерим: o3 показала золотой результат на Международной олимпиаде по информатике (IOI 2024), а reasoning-модели решают задачи математических олимпиад. Но это не панацея — на знаниемких, фактологических вопросах дополнительные размышления почти не помогают, а у самого test-time-масштабирования наблюдается убывающая отдача: после некоторого порога лишние токены рассуждений всё слабее повышают точность.

Прогресс по бенчмаркам наглядно показывает обе стороны медали. Старые экзамены насыщены: MMLU у передовых моделей плотно стоит выше 88–90%, и разница на верхушке — во многом статистический шум. GPQA Diamond, опубликованный в ноябре 2023 года как «аспирантский» тест по естественным наукам (Rein et al., NYU/Anthropic), к началу 2026 года подошёл к ~94% у лидеров (Gemini 3.1 Pro и другие модели верхушки кластеризуются около 94%). SWE-bench Verified — самый известный тест по программированию — собрал у верхушки множество моделей около 80%, и здесь добавилась вторая проблема: в феврале 2026 года OpenAI сообщила, что около 59% задач, которые её модели «проваливали», содержали неисправные тесты, и одновременно нашла признаки контаминации (попадание эталонных решений в обучающие данные). Поэтому OpenAI перестала публиковать результаты по SWE-bench Verified и рекомендовала перейти на публичный сплит SWE-bench Pro, инвестируя также в закрытые бенчмарки. Когда тест насыщен или загрязнён, он перестаёт различать модели — и сообществу приходится строить новые, более жёсткие.

Эти новые рубежи пока далеки от потолка, и это полезный сигнал. На FrontierMath (оригинальные задачи, проверенные математиками) лучшие модели к середине 2026-го держатся около 50–52% по агрегату, а на самом сложном Tier 4 — заметно ниже (порядка 30%+). На Humanity's Last Exam, специально собранном против насыщения (Center for AI Safety и Scale AI), лидеры показывают порядка 42–53%. То есть на действительно трудных, защищённых от утечки задачах запас роста ещё большой — и именно по ним, а не по MMLU, стоит судить о реальных способностях.

Самый отрезвляющий разрыв — между эффектным демо и надёжностью. Его хорошо ловит метрика «горизонта задач» от METR: длина задачи (в человеко-минутах), которую модель выполняет с заданной вероятностью успеха. В обновлении Time Horizon 1.1 (январь 2026) лучшая модель (Claude Opus 4.5) достигает 50%-надёжности примерно на пятичасовых задачах (320 мин, доверительный интервал [170, 729]), а сам горизонт удваивается примерно каждые 4–7 месяцев. Но ключевая оговорка из методологии METR: при более высоком требовании к надёжности горизонт резко короче — «может иногда» и «делает стабильно» оказываются разными шкалами, и продакшен живёт на второй.

Упрётся ли масштабирование? Честный ответ — пока неизвестно, и тут уместно разделять измерение, прогноз и предсказание. Измерено: compute растёт 4–5×/год, кривые отдачи логарифмические. Прогноз Epoch: эффективный запас качественного человеческого текста (порядка 3×10^14, то есть ~300 трлн токенов) будет исчерпан примерно между 2026 и 2032 годами (80%-й доверительный интервал) — это «стена данных». Предсказание (самое спекулятивное): дальше прогресс понесут не объёмы, а синтетические данные с автоматической проверкой (хорошо работает в математике и коде, рискованно — в открытых областях), алгоритмическая эффективность и test-time compute. Вероятнее всего, рычаги выдохнутся не одновременно: какой-то упрётся в физику и экономику, другой даст разгон. Следить стоит за энергией, ценой токена и долей надёжных, а не демонстрационных результатов.

У больших языковых моделей есть три ресурса: вычисления, энергия и данные. Первые два пока растут, третий — нет. Исследовательская группа Epoch AI оценивает эффективный запас качественного, скорректированного на дубли человеческого публичного текста примерно в 300 триллионов токенов. Если нынешние темпы потребления данных сохранятся, этот запас будет полностью выработан в окне между 2026 и 2032 годами (80-процентный доверительный интервал), а при агрессивном «переобучении» на одних и тех же текстах — даже раньше. Важно различать здесь измерение и прогноз: 300 триллионов — это оценка на основе моделирования объёма веба, а конкретная дата исчерпания — экстраполяция, чувствительная к допущениям. В обновлённой методологии сама Epoch сдвинула переднюю границу окна примерно к 2028 году (уровень обучения compute-optimal модели на ~5e28 FLOP).

Проблема не в том, что текст физически кончится — интернет продолжает расти. Проблема в том, что прирост качественного человеческого текста идёт сравнительно медленно, а аппетит моделей рос экспоненциально: объёмы обучающих датасетов примерно удваивались каждые несколько месяцев. Common Crawl и аналогичные корпуса, по сути, уже во многом «вычерпаны»: лучшие куски использованы по многу раз. На ограничение указывал и Илья Суцкевер, сооснователь OpenAI: в декабре 2024-го на NeurIPS он заявил, что «предобучение в том виде, как мы его знаем, закончится», назвал данные «ископаемым топливом ИИ» и констатировал, что «мы достигли пика данных — больше их не будет». Это не предсказание катастрофы, а наблюдение об ограничении: вычисления масштабируются, данные — нет, и индустрия смещается от режима, ограниченного вычислениями, к режиму, ограниченному данными.

Когда бесплатный текст заканчивается, дефицитным ресурсом становится уже не корпус данных, а проверяемые среды, в которых модель учится рассуждать.

Очевидный выход — синтетические данные: пусть модели сами генерируют тексты для обучения следующих моделей. Но здесь поджидает ловушка. Статья в Nature (2024, Шумайлов и соавторы, т. 631) показала эффект коллапса модели: при рекурсивном обучении на сгенерированном контенте модель постепенно теряет «хвосты» исходного распределения — редкие факты, нетипичные формулировки, — и деградирует. Нюанс, который часто упускают популярные пересказы: в работе коллапс наступает при неразборчивом замещении реальных данных синтетическими; при аккуратном смешивании с проверенным человеческим текстом и фильтрации синтетика работает и активно используется на практике. То есть синтетические данные — не яд и не панацея, а инструмент с узким окном безопасного применения.

Раз бесплатный текст кончается, за оставшийся качественный начинают платить. 2025 год стал годом лицензионных сделок. По данным журналистских источников, Reddit получает от Google и OpenAI в совокупности около 130 миллионов долларов в год (примерно $60 млн от Google и сообщавшиеся ~$70 млн от OpenAI) — это около 10% его выручки (выручка Reddit за 2024-й — порядка $1,3 млрд). Сделка News Corp с OpenAI (2024) оценивается более чем в $250 млн за пять лет. Meta вошла в этот рынок, подписав соглашения с рядом издателей; параллельно издатели вроде People Inc. переходят от разовых «всё включено» (как в сделке с OpenAI) к моделям оплаты за использование — например, через контент-маркетплейс Microsoft. Качественный текст из общедоступного ресурса превращается в лицензируемый актив с ценой — и это перераспределяет переговорную силу в пользу владельцев крупных архивов.

Второй резерв — данные, которых на открытом вебе просто нет. Это проприетарные и приватные корпуса: переписка и документы внутри компаний, медицинские и юридические базы, код в частных репозиториях, диалоги пользователей с самими ассистентами. И это мультимодальность: видео, изображения, аудио, сенсорные потоки. По оценкам Epoch, учёт других модальностей расширяет потенциальный запас на порядки — называется диапазон от 450 триллионов до 23 квадриллионов токенов (к 2030 году). Оговорка обязательна: это очень широкий интервал с крайне грубой верхней границей, а полезность кадра видео для обучения текстовому рассуждению далеко не равна полезности абзаца текста — сама Epoch оценивает вклад мультимодальности скорее как умеренный. Объём не равен ценности.

Самый глубокий сдвиг — не поиск новых данных, а смена самого вопроса. Фронтир 2025–2026 годов смещается с предобучения (загрузить как можно больше текста) к пост-обучению и вычислениям на этапе вывода: рассуждающие системы учат не столько на новых текстах, сколько через обучение с подкреплением в проверяемых средах, где есть автоматический критик-верификатор — задача решена правильно или нет. Здесь «данные» — это уже не корпус текста, а среды, задачи и сигналы вознаграждения, которые можно генерировать в больших объёмах для областей с чёткой проверкой (математика, код, агентские сценарии). Это меняет и экономику: дефицитным ресурсом становится не текст, а качественные RL-среды и инженеры, которые их строят.

Куда это ведёт — пока вопрос с честной неопределённостью. Если рассуждающая парадигма продолжит давать отдачу, исчерпание текстового веба окажется не стеной, а развилкой: прогресс уйдёт в синтетику-под-контролем, лицензированные и приватные корпуса, мультимодальность и RL-среды. Если же отдача от вычислений на этапе вывода начнёт убывать — а такие опасения в 2025-м уже высказывались, — то «топливный кризис» данных может стать реальным тормозом, и его придётся решать не масштабом, а эффективностью обучения. В любом сценарии эпоха, когда ответом на любой вопрос было «дайте больше данных», подходит к концу. Следующая фаза будет про то, как извлекать больше из того, что уже есть.

Когда говорят о влиянии ИИ на труд, важно с самого начала различать измерение и прогноз. Громкие цифры экспозиции — это прогнозы, а не свершившийся факт. Goldman Sachs в марте 2023 года оценил, что генеративный ИИ способен затронуть эквивалент 300 миллионов полных ставок по миру, а около двух третей рабочих мест в США и Европе хотя бы частично подвержены автоматизации. Ключевая оговорка часто теряется в пересказах: банк оценивал, что у затронутых работников ИИ замещает лишь 25–50% задач, а не должность целиком, и именно поэтому большинство ролей будет скорее дополнено, чем заменено. МВФ в январе 2024 года дал свою рамку: около 40% рабочих мест в мире и до 60% в развитых экономиках подвержены влиянию ИИ — но из числа затронутых примерно половина может выиграть от роста производительности, а не пострадать. МВФ при этом предупреждал, что в большинстве случаев технология скорее усилит неравенство.

Самая аккуратная на сегодня оценка принадлежит Международной организации труда. По обновлённому индексу ILO (май 2025, совместно с польским институтом NASK) около одной четверти мировой рабочей силы занимает позиции с измеримой экспозицией к генеративному ИИ, но в высшую категорию подверженности попадает лишь 3,3% занятости. Вывод ILO в одной фразе: трансформация, а не замещение — большинство профессий состоит из задач, часть которых по-прежнему требует человека. Наиболее подвержены клерикальные и офисно-административные роли; экспозиция растёт вместе с доходом страны (34% занятости в богатых экономиках против 11% в бедных) и выше у женщин, поскольку они чаще заняты в делопроизводстве (в высшей категории — 4,7% женской занятости против 2,4% мужской). Это и есть главная развилка: одни задачи ИИ автоматизирует, другие — дополняет (augmentation), и от соотношения зависит, теряет работник место или становится продуктивнее.

Большинство профессий ИИ не отменяет, а переписывает изнутри: первым исчезает не рабочее место, а простая работа, на которой раньше учились новички.

Эмпирика продуктивности уже выходит за рамки прогнозов — и она неоднозначна. Контролируемый эксперимент с GitHub Copilot (Peng и др., 2023) показал, что разработчики выполняли заданную задачу на 55,8% быстрее; исследование Бриньолфссона, Ли и Рэймонда по поддержке клиентов на данных 5179 операторов зафиксировало рост числа решённых обращений в час на 14% в среднем, но до +34% у наименее опытных операторов при почти нулевом эффекте у лучших. Это важный распределительный сигнал: ИИ выравнивает работников, подтягивая слабых к уровню сильных. Контрпример пришёл от METR (июль 2025): в рандомизированном эксперименте 16 опытных open-source разработчиков с ИИ-ассистентом работали на 19% медленнее, хотя были уверены, что ускорились примерно на 20%. Этот разрыв между ощущением и фактом — предупреждение о риске деквалификации и слепого доверия инструменту, хотя выборка эксперимента невелика.

Внедрение в организациях из эксперимента стало нормой. По AI Index 2026 от Stanford HAI, около 88% организаций сообщают об использовании ИИ хотя бы в одной функции, а примерно 70% применяют именно генеративный ИИ (эти цифры во многом опираются на корпоративный опрос McKinsey). McKinsey в «State of AI 2025» даёт схожую картину адопции, но отрезвляющую по отдаче: лишь около 6% компаний относятся к «высокоэффективным» с заметным влиянием ИИ на прибыль, и выигрывают те, кто перепроектировал процессы, а не просто раздал подписки на чат-ботов. Образование опережает бизнес: по опросу HEPI 2025 среди британских студентов 92% пользуются ИИ-инструментами, а 88% применяли генеративный ИИ для учебных заданий (год назад было 53%). Поколение, выходящее на рынок, уже почти не знает учёбы без ИИ — и это меняет сам смысл «начального опыта».

Именно на входе в рынок труда заметен первый измеренный, а не спрогнозированный сдвиг. В исследовании Stanford «Canaries in the Coal Mine?» (Бриньолфссон, Чандар, Чен, 2025) на данных платёжного провайдера ADP занятость работников 22–25 лет в наиболее подверженных ИИ профессиях — разработка ПО, поддержка клиентов — снизилась примерно на 13% с конца 2022 года, тогда как у их старших коллег в тех же сферах она не падала. Объяснение элегантно и тревожно: знания выпускника сильнее всего пересекаются с тем, что уже умеет языковая модель, поэтому первым «срезается» именно junior-уровень. Авторы осторожны: это корреляция в свежих данных, а не доказанная причинность. Параллельно растёт премия за навык: по PwC Global AI Jobs Barometer 2026 средняя надбавка к зарплате за владение ИИ выросла примерно до 62% (годом ранее — 57%), а у наиболее ИИ-интенсивных компаний рост производительности труда заметно опережает остальной рынок.

Что это значит дальше — уже область сценариев, и честнее говорить о вероятностях, чем о неизбежности. Базовый сценарий до 2030 года — не обвал занятости, а затяжной переходный период: исчезновение части рутинных задач, размывание классической карьерной лестницы (где младшие учились, делая простую работу, которую теперь делает ИИ) и расслоение на тех, кто управляет ИИ, и тех, чьи задачи ИИ замещает. Выигрывают, судя по данным, две группы — наименее квалифицированные, кого инструмент подтягивает, и опытные специалисты, умеющие дополнять, а не автоматизировать свою работу; проигрывает «середина», особенно на входе. Практический вывод спокоен и конкретен: ценность смещается от исполнения задач к их постановке, проверке и ответственности за результат — а главным личным риском становится не увольнение, а тихая деквалификация от привычки не перепроверять машину.

Если первые три года ИИ-бум был про разговор, то 2026-й — про действие. Агент перестаёт быть собеседником и становится исполнителем: планирует шаги, вызывает инструменты, открывает браузер, пишет и запускает код, читает результат и корректирует себя. OpenAI, Anthropic, Google и десятки стартапов перенесли фокус с «ответа в чате» на «выполненную задачу» — от заполнения форм и сведения отчётов до автономного программирования через инструменты вроде Claude Code, Codex и агентных режимов в IDE.

Технически это надстройка над теми же моделями: цикл «модель → инструмент → наблюдение → следующий шаг». Сила — в автономности на длинных горизонтах; слабость — в ней же. Ошибки на длинной цепочке накапливаются: довести десятишаговую задачу до конца — это произведение вероятностей каждого шага, поэтому даже надёжная по отдельным действиям модель спотыкается на длинных сценариях. Замеры METR показывают, что «горизонт задач», которые модель выполняет стабильно, пока измеряется минутами-часами и удваивается лишь раз в несколько месяцев.

Агент силён автономностью на длинном горизонте — и в ней же его слабость: ошибки шагов перемножаются, поэтому продакшен живёт не на «может», а на «делает стабильно».

Бизнес-логика тянет туда же, куда и техника. Когда агент выполняет работу целиком, естественно платить за результат, а не за доступ — отсюда эксперименты с тарификацией по объёму выполненных задач. Ценность смещается от «доступа к лучшей модели» к «надёжности процесса вокруг неё»: оркестрации, проверкам, откатам, человеку в контуре на критических шагах.

Перспектива до 2030-го осторожная, но конкретная: первыми поддаются хорошо очерченные цифровые процессы с быстрой проверкой результата — поддержка, рутинная разработка, обработка документов, операции. Там, где цена ошибки высока, а проверка дорога, агент ещё долго будет работать под надзором. Узкое место — не «интеллект» модели, а надёжность, наблюдаемость и ответственность: кто отвечает, когда автономный исполнитель ошибётся на чужих данных и деньгах.

У масштаба есть теневая сторона. Та же доступность, что дала миллиарду людей бесплатного ассистента, дала и злоумышленникам дешёвый инструмент. Дипфейки из лабораторного курьёза стали бытовым риском: синтетический голос и видео используются в мошенничестве, поддельных «срочных» звонках от родственников и руководителей, в манипуляциях вокруг выборов. Рост автоматического трафика и фишинга индустрия прямо связывает с тем, что LLM удешевили создание правдоподобных текстов и кода атак.

Ответ выстраивается по нескольким линиям. Первая — провенанс контента: стандарты происхождения вроде C2PA / Content Credentials, водяные знаки на изображениях и тексте, требования маркировки (их вводят и ЕС, и Китай). Технически водяные знаки хрупки и снимаются, поэтому это не панацея, а слой трения. Вторая — оценка и red-teaming моделей перед выпуском: проверки на помощь в создании оружия, киберуязвимостей, на устойчивость к джейлбрейкам.

Достоверно мы не знаем, как риски масштабируются вместе со способностями, — и эта неопределённость сама по себе аргумент за измеримые проверки, а не за крайние позиции.

Более фундаментальный пласт — выравнивание (alignment): гарантия, что система преследует цели, которые мы действительно имели в виду, а не их искажённую версию. Здесь важно говорить честно и без алармизма. Одни исследователи считают системные риски мощных автономных моделей недооценёнными; другие — что практический вред сегодня (дезинформация, мошенничество, предвзятость, утечки) куда реальнее гипотетических сценариев. Достоверно мы не знаем, как риски масштабируются вместе со способностями — и это само по себе аргумент за измеримые проверки, а не за крайние позиции.

Перспектива: по мере перехода к агентам, действующим в реальных системах с доступом к деньгам и данным, поверхность атаки и цена ошибки растут быстрее, чем зрелость защит. Вероятный режим ближайших лет — не «восстание машин» и не «всё под контролем», а постоянная гонка: новые злоупотребления → новые проверки, маркировка и регуляция → обход → следующий виток. Управляемость здесь — не разовое свойство, а непрерывный процесс.

Если у масштаба и есть оправдывающий кейс, то это наука. Самый чистый пример — AlphaFold: к 2024 году база предсказанных структур, выросшая с примерно 360 тысяч в 2021-м до более чем 214 миллионов моделей (по сути — структурное покрытие всего каталога UniProt), стала рабочим инструментом для более чем 3 миллионов исследователей в 190+ странах. В 2024-м Демис Хассабис и Джон Джампер из DeepMind вместе с Дэвидом Бейкером получили Нобелевскую премию по химии — не за обещание, а за уже состоявшийся сдвиг в структурной биологии. Это измерение, а не прогноз: задача, которую раньше нередко решали месяцами кристаллографии, во многих случаях теперь занимает минуты, и около 30% работ, цитирующих AlphaFold, посвящены пониманию болезней — от малярийных вакцин до механизмов антибиотикорезистентности. Важная оговорка: предсказанная структура — это гипотеза высокого качества, а не экспериментально решённая структура, и для части мишеней (подвижные участки, комплексы) точность ниже.

Похожая история в материаловедении, но с куда более жёсткой оговоркой. Модель DeepMind GNoME в 2023 году предсказала около 2,2 миллиона кристаллических структур, из которых ~380 тысяч добавлены в Materials Project как кандидаты на стабильность. Это впечатляющий расширитель пространства поиска, но именно здесь масштаб удобно перепутать с открытием. Предсказание стабильности — не то же самое, что материал в руках: автономная лаборатория A-Lab в Беркли за 17 дней непрерывной работы синтезировала, по заявлению авторов, 41 из 58 целевых соединений (около 63%). Однако независимый разбор (группы Палгрейва и Шуп, ChemRxiv, начало 2024-го) оспорил почти все заявленные «новые» материалы: значительная часть оказалась уже известными фазами или неверно охарактеризованными из-за плохого соответствия дифракционным данным, и критики заключили, что, вероятно, ни одного действительно нового материала получено не было. Урок трезвый: ИИ резко удешевляет генерацию гипотез, но узким местом остаётся синтез, верификация и воспроизводимость в реальной лаборатории.

ИИ резко удешевил генерацию научных гипотез — но синтез, клиника и воспроизводимость остаются медленным и незаменимым фильтром реальности.

В прогнозе погоды сдвиг, пожалуй, самый недооценённый широкой публикой и при этом хорошо измеренный. Модель GenCast от DeepMind, описанная в Nature в декабре 2024-го, в тесте против оперативного ансамбля ECMWF (ENS) оказалась точнее на 97,2% из 1320 комбинаций «переменная × срок прогноза» и выдаёт 15-дневный ансамбль примерно за 8 минут на одном TPU вместо часов на суперкомпьютере. ECMWF, чей IFS — эталон для 35 государств-членов и сотрудничающих стран, не стал спорить с трендом, а с февраля 2025-го перевёл собственную ИИ-систему AIFS в оперативный режим. Это редкий случай, где нейросеть честно конкурирует с физикой по точности на средних сроках — хотя у ИИ-моделей остаются слабости: «слишком гладкие» поля, заниженная интенсивность экстремумов и трудности с мелкомасштабными явлениями. Энергоэффективность здесь — отдельный аргумент: один прогон GenCast потребляет несопоставимо меньше, чем классический численный прогноз.

Медицина — зона, где маркетинг чаще всего опережает доказательства, поэтому смотреть надо на регулятора. К концу 2025 года список FDA включал более 1 300 устройств с ИИ, причём около 80% — это радиология: распознавание снимков, а не «врач-робот». Появляются и качественно новые инструменты: в 2025-м FDA авторизовало по пути De Novo Clairity Breast — первую платформу, оценивающую пятилетний риск рака груди по обычной маммограмме; ещё раньше, в апреле 2024-го, тем же путём был авторизован первый ИИ-тест на риск сепсиса (Sepsis ImmunoScore). Ранние системы предупреждения о сепсисе вроде TREWS в проспективном исследовании на ~590 тысячах пациентов снижали госпитальную смертность примерно на 18% — но только в подгруппе, где клиницисты подтверждали сигнал в течение трёх часов. Ключевая оговорка: большинство устройств одобрено по «облегчённому» пути 510(k), многие валидированы на узких выборках, и обобщаемость на другие популяции остаётся открытым вопросом.

А вот в открытии лекарств стоит держать руку на пульсе скепсиса. Insilico Medicine довела рентосертиб (ISM001-055) — молекулу, где и мишень, и сам препарат найдены с помощью ИИ, — до результатов фазы IIa при идиопатическом лёгочном фиброзе (опубликованы в Nature Medicine, 2025; это ранний сигнал эффективности на малой выборке, не подтверждённая клиническая польза); Isomorphic Labs (дочерняя структура Alphabet/DeepMind) в марте 2025-го привлекла $600 млн и готовит первые клинические испытания; Recursion ведёт несколько программ. Но честная оценка отрасли на конец 2025-го звучит сухо: это всё ещё стадия proof-of-concept, а не доказанная смена парадигмы. Ни один полностью «ИИ-рождённый» препарат пока не одобрен, а клиника — это годы и высокая смертность кандидатов. ИИ ускоряет ранние стадии R&D (мишень, дизайн молекулы), но не отменяет биологию пациента и трёхфазную проверку на людях.

Почему это центральный сюжет для разговора о «весе» ИИ? Потому что наука — главный кейс, которым индустрия оправдывает вычислительный бум. Частные инвестиции в ИИ в США в 2025-м достигли $285,9 млрд, глобальные корпоративные вложения в ИИ превысили $580 млрд (Stanford HAI AI Index 2026), а OpenAI после пересмотра в сторону понижения ориентирует инвесторов примерно на $600 млрд расходов на вычисления к 2030 году. Когда дата-центры потребляют энергию небольших стран, ускорение белковой биологии, материаловедения и климатического моделирования — самый сильный аргумент, что счёт оправдан. Но именно поэтому важно разделять: измеренный прорыв (AlphaFold, GenCast), правдоподобный прогноз (материалы, ранняя диагностика) и пока недоказанное предсказание (массовый поток одобренных ИИ-лекарств). Реалистичная ставка на ближайшие годы — не «ИИ откроет всё сам», а гибрид: модель генерирует гипотезы дёшево и быстро, а робот-лаборатория и клиника остаются медленным, дорогим, но незаменимым фильтром реальности.

К середине 2026 года стало ясно: единого мирового свода правил для искусственного интеллекта в обозримом будущем не будет. Сложились три самостоятельных режима — европейский, американский и китайский, — каждый со своей логикой. Европа делает ставку на горизонтальный закон и категории риска; США после смены администрации сместили акцент с безопасности на снятие барьеров; Китай регулирует точечно, но жёстко — прежде всего контент и его маркировку. Это не абстрактная политика: от стыковки (или несостыковки) этих режимов зависит, сколько стоит вывести модель на рынок и где компаниям выгоднее её разворачивать.

Флагман европейского подхода — EU AI Act, первый в мире всеобъемлющий закон об ИИ, вступающий в силу поэтапно. Он делит системы на категории риска: запрещённые практики (социальный скоринг, манипулятивные системы) — под прямым запретом с 2 февраля 2025 года; обязательства для моделей общего назначения (GPAI) действуют с 2 августа 2025-го. Стимулом к соблюдению служат штрафы: до 35 млн евро или 7% мирового оборота (что больше) за запрещённые практики и до 15 млн евро или 3% оборота за большинство прочих нарушений. Чтобы помочь бизнесу, Комиссия выпустила добровольный Кодекс практики для GPAI, который подписали Google, OpenAI, Microsoft, Anthropic и Mistral; xAI присоединилась только к главе о безопасности и защите.

К 2026 году у мира не один свод правил для ИИ, а три несовместимых режима — и бизнесу, вероятно, придётся платить за каждую границу между ними.

Но 2025–2026 годы показали и обратную динамику — смягчение сроков под давлением индустрии. 7 мая 2026 года Совет ЕС, Парламент и Комиссия достигли провизорного соглашения по «Цифровому омнибусу»: обязательства для высокорисковых систем из Приложения III сдвинули с августа 2026-го на 2 декабря 2027 года — то есть на 16 месяцев. Полномочия Комиссии штрафовать провайдеров GPAI при этом по-прежнему включаются 2 августа 2026-го. Это важный сигнал: даже самый амбициозный регулятор корректирует график, признавая, что технические стандарты и готовность бизнеса отстают от первоначальных планов.

США движутся в противоположном направлении. В январе 2025 года администрация Трампа отменила исполнительный указ Байдена (EO 14110), который требовал от разработчиков самых мощных моделей делиться с государством результатами тестов безопасности перед выпуском. Июльский «AI Action Plan» 2025 года объявил приоритетом инновации и предупредил, что разрозненные законы штатов создают вредную «фрагментацию». Кульминацией стал указ от 11 декабря 2025 года «Об обеспечении национальной рамки для ИИ» (EO 14365): он создаёт оперативную группу по судебным искам против «обременительных» законов штатов и предусматривает увязку части федерального финансирования с регуляторным климатом штата. Десятилетний мораторий на регулирование ИИ штатами прошёл Палату представителей, но был вычеркнут Сенатом голосованием 99–1 — так что юридический конфликт центра и штатов пока не разрешён.

Китай выстраивает третий путь — менее заметный для западной прессы, но крайне конкретный. С 1 сентября 2025 года действуют «Меры по маркировке ИИ-генерируемого синтетического контента», принятые Администрацией киберпространства (CAC) совместно с тремя министерствами. ИИ-контент — текст, изображения, аудио, видео — обязан нести явную метку (видимый текст или графика) и неявную (цифровой водяной знак или метаданные с именем провайдера и идентификатором). WeChat, Douyin и Weibo уже внедрили такую разметку. Это делает Китай носителем одного из самых жёстких в мире режимов обязательной прозрачности происхождения контента — задачи, к которой ЕС и США подходят пока мягче.

Над этими тремя режимами надстраивается слой международной дипломатии — но он скорее декларативный. Серия саммитов прошла путь от Bletchley Park (2023) и Сеула (2024) к парижскому AI Action Summit (февраль 2025), где акцент заметно сместился с безопасности на инвестиции и внедрение. В феврале 2026-го эстафету принял India AI Impact Summit в Нью-Дели — первый глобальный саммит по ИИ в стране Глобального Юга, с упором на его голоса; Швейцария готовит всемирный саммит в Женеве на 2027 год. Параллельно выходит ежегодный International AI Safety Report под руководством Йошуа Бенжио. Но обязывающих глобальных норм эти площадки не создают — они координируют, а не предписывают.

Куда это ведёт? Базовое напряжение — инновации против безопасности — в ближайшие годы, вероятно, не разрешится, а закрепится в виде устойчивой фрагментации. Для бизнеса это, скорее всего, означает рост издержек на комплаенс: одну и ту же модель придётся настраивать под Брюссель, под лоскутное одеяло американских штатов и под китайские требования к маркировке. Крупные игроки с юридическими департаментами это переварят, а небольшие команды — нет, что может усилить концентрацию рынка. Для пользователей фрагментация рискует обернуться «геозаборами»: одни функции будут доступны в одной юрисдикции и заблокированы в другой. Главная интрига 2026–2028 годов — устоит ли европейский «эффект Брюсселя» как де-факто глобальный стандарт, или мир разойдётся на три несовместимых регуляторных контура.

Потребителю кажется, что ИИ-рынок огромен, но его несущая конструкция узкая. На уровне передовых моделей конкурируют считанные игроки: OpenAI, Google DeepMind, Anthropic, Meta, xAI, плюс сильные открытые и не-западные линейки (Mistral, DeepSeek, Qwen). Над ними — облака (Microsoft Azure, AWS, Google Cloud), через которые модели доходят до бизнеса, а под ними — один доминирующий поставщик ускорителей, Nvidia, чьи чипы стали узким местом всей отрасли.

Ключевая линия раскола — закрытые против открытых моделей. Закрытые (GPT, Gemini, Claude) держат фронтир качества и монетизируются через API и подписки; открытые (Llama, Mistral, DeepSeek, Qwen) отстают на верхушке, но дешевеют, разворачиваются локально и подрывают цены. Для бизнеса это выбор между «лучшим, но арендованным» и «достаточно хорошим, но своим»; появление сильных дешёвых открытых моделей каждый раз сжимает маржу проприетарных API.

Устойчивее всего сегодня зарабатывают «продавцы лопат» — чипы и облака; разработчики моделей жгут капитал в гонке, а прикладные стартапы делят тонкий слой платящих.

Деньги распределены неравномерно по цепочке. Сегодня устойчивее всего зарабатывают «продавцы лопат» — Nvidia и облака, чья выручка растёт прямо пропорционально капексу. Разработчики моделей жгут капитал в гонке, а прикладные стартапы конкурируют за тонкий слой готовых платить пользователей. Вертикальная интеграция усиливается: Microsoft↔OpenAI, Google↔DeepMind, Amazon↔Anthropic — облака финансируют лаборатории, лаборатории загружают облака.

Перспектива — натяжение двух сил. Капитал, чипы и энергия толкают к консолидации: позволить себе фронтир-модель могут единицы. Открытые модели и удешевление инференса работают на децентрализацию. Вероятный исход к 2030-му: «тяжёлый» фронтир у нескольких гигантов плюс широкий хвост открытых и нишевых моделей. Главный вопрос здесь не технический, а про власть — насколько узкому кругу компаний и стран принадлежит инфраструктура, на которую опирается всё остальное.

Российский рынок ИИ в 2025 году рос быстро, но оценки расходятся в разы — это первое, что стоит держать в голове. Сегмент генеративного ИИ, по данным отраслевых обзоров, за год вырос примерно впятеро — ориентировочно с 13 до 58 млрд рублей (точные числа зависят от методики подсчёта). Более широкие оценки всего рынка ИИ-проектов расходятся от ~118 млрд рублей до прогнозных 600–800 млрд рублей у разных аналитиков — разница объясняется методологией: считать ли только профильные модели и платформы или всю «цифровизацию с элементами ИИ». Поэтому здесь полезно различать измеренное (выручка конкретных продуктов) и оценочное (объём рынка по экспертным моделям, которые легко завышаются).

Технологическое ядро держат два игрока. Сбер развивает линейку GigaChat (текст) и Kandinsky (изображения и видео), Яндекс — YandexGPT и ассистента «Алиса». В ноябре 2025-го Сбер представил GigaChat Ultra Preview и, по заявлению компании, на русскоязычном бенчмарке MERA эта модель обходит DeepSeek V3.1; тогда же был открыт доступ к весам ряда моделей, включая компактный GigaChat Lightning и Kandinsky 5.0. Важная оговорка: лидерство заявлено самими разработчиками и прежде всего на русскоязычных тестах; независимой международной проверки этих результатов на момент публикации нет, а на широких глобальных бенчмарках фронтир по-прежнему задают американские и китайские лаборатории, и российские модели идут по догоняющей траектории.

Свои большие модели у России уже есть, но фронтир по-прежнему упирается в три узких места — чипы, кадры и доступ; это траектория крепкого догоняющего, а не лидера.

Государство оформляет это как курс на «суверенный ИИ». Национальная стратегия развития ИИ продлена до 2030 года, действует федеральный проект «Искусственный интеллект», а на конференции AI Journey в ноябре 2025-го Владимир Путин говорил о развитии собственных генеративных моделей и называл чрезмерную зависимость от зарубежных больших моделей нежелательной с точки зрения технологического суверенитета. Конкретные институциональные шаги и проект профильного закона относятся к 2026 году и здесь приводятся как заявленные планы, а не как вступившие в силу нормы. Сама стратегия фиксирует три ключевых барьера: вычислительные мощности, кадры и темп внедрения — и это реальные ограничения, а не риторика.

Жёстче всего бьёт железо. Под санкциями прямой легальный доступ к ускорителям Nvidia ограничен; рынок GPU-ускорителей для ИИ в России в 2025 году отраслевые аналитики оценивали примерно в 62,7 млрд рублей, а парк, занятый под ИИ-вычисления, — порядка 10 тысяч ускорителей на начало года (это оценка, точные данные закрыты). Для сравнения: ведущие западные лаборатории оперируют десятками и сотнями тысяч чипов. Ответ рынка — переток к китайским картам, отечественным нейроускорителям и облачной модели GPUaaS, которую оценивали в районе 17,1 млрд рублей. Но это адаптация к дефициту, а не его устранение: масштабировать обучение фронтир-моделей на таком парке трудно.

Доступ к зарубежным сервисам стал отдельным сюжетом. ChatGPT в России официально недоступен — ограничение носит двусторонний характер: и со стороны OpenAI, которая ещё в 2024-м ограничивала доступ из неподдерживаемых регионов, и со стороны российской среды регулирования. На практике пользователи обходят это через VPN и сторонние обёртки, но это нарушает условия сервисов и плохо подходит для корпоративного контура. По сути именно это ограничение работает как стимул для GigaChat, YandexGPT и локальных open-weight моделей — спрос вынужденно разворачивается внутрь страны.

Внедрение при этом идёт заметно. По исследованию «Якова и Партнёров» совместно с Яндексом (декабрь 2025), 71% крупных российских компаний используют генеративный ИИ хотя бы в одной бизнес-функции, а 78% сообщают об экономическом эффекте. Оценки экономии в госсекторе (например, от ИИ-сервисов на «Госуслугах») фигурируют в публичных заявлениях, но это расчётные величины ведомств, а не аудированные данные, поэтому их стоит трактовать осторожно. Стоит учитывать и оптимистическую рамку самого источника: значительная доля опрошенных считает уровень ИИ в России сопоставимым с мировыми лидерами — но это самооценка отрасли, а не независимое измерение.

Взгляд вперёд: до 2030 года определяющими будут три развилки. Первая — компьют: получится ли нарастить дата-центры и наладить поставки ускорителей в обход санкций (китайских или собственных), потому что без этого обучение по-настоящему больших моделей упрётся в потолок. Вторая — кадры: стратегия закладывает кратный рост ежегодного выпуска ИИ-специалистов (ориентир — порядка 15 тысяч в год против нескольких тысяч сейчас), но это целевой показатель-намерение, а не гарантированный результат. Третья — экспорт: Сбер заявлял о намерении предлагать GigaChat странам Глобального Юга, и ставка на open-weight модели может стать способом нарастить влияние там, где западные сервисы дороги или недоступны. Это сценарий «крепкого второго эшелона», а не лидерства — что согласуется с догоняющей логикой всего сектора.

Удобнее всего держать в голове три траектории к 2030 году — и сразу различать, что в них измерение, что прогноз, а что просто ставка. В базовом сценарии, на котором сходятся МЭА (IEA) и большинство инвестбанков, потребление электроэнергии дата-центрами примерно удваивается — с ~415 ТВт·ч в 2024-м (около 1,5% мирового спроса) до ~945 ТВт·ч к 2030-му, то есть чуть менее 3% мирового спроса; рост идёт примерно на 15% в год. При этом именно ИИ-нагрузка тянет кривую вверх: потребление «ускоренных» серверов растёт около 30% в год и даёт почти половину всего прироста спроса дата-центров. Вычислительная мощность фронтирных моделей продолжает расти на 4–5× в год (оценка Epoch AI), капитальные вложения в инфраструктуру по базовой модели Goldman Sachs идут к ~$765 млрд в 2026-м, а сами модели становятся заметно надёжнее в кодинге, рассуждении и работе с инструментами, не совершая качественного скачка к «универсальному интеллекту». Это инерционный, наиболее вероятный мир: ИИ становится тяжелее, дороже и полезнее одновременно.

Оптимистичный сценарий — это базовый, у которого не порвался ни один из рычагов. Энергию успевают подвести (Goldman Sachs оценивает совокупный капитал на вычисления, дата-центры и энергетику в ~$7,6 трлн за 2026–2031 годы), чипов хватает, синтетические и мультимодальные данные снимают проблему дефицита текста, а отдача от вложений материализуется в производительности — McKinsey ещё в 2023-м оценивала потенциальную годовую стоимость генеративного ИИ в $2,6–4,4 трлн (в основном за счёт прироста корпоративной прибыли). В этом мире кривая роста остаётся крутой до конца десятилетия. Сдержанный сценарий — зеркальный: достаточно, чтобы согнулся один рычаг. Энергосети не успевают, ROI разочаровывает инвесторов, регуляция повышает издержки — и темп замедляется не из-за «потолка интеллекта», а из-за физики и экономики. Ни один из трёх сценариев не является предсказанием; это рамки, между которыми и будет колебаться реальность.

Бо́льшая часть прогнозируемого роста ИИ ещё впереди — поэтому настоящий вопрос не «когда машины станут умнее нас», а что именно мы строим, пока эта кривая идёт вверх.

Стоит назвать пять узких мест поимённо, потому что именно они, а не громкие заявления, определят форму кривой. Энергия — самый твёрдый ограничитель: отдельный тренировочный запуск 2030 года, по оценке Epoch AI (совместно с EPRI), может требовать 4–16 ГВт, что сопоставимо с потреблением миллионов домов, и подвести такую мощность к сети сложнее, чем заказать ускорители. Чипы — производство передовых GPU и их упаковка остаются концентрированными и негибкими. Данные — Epoch AI оценивает совокупный запас публичного человеческого текста порядка 300 трлн токенов (90%-й интервал — 100–1000 трлн) и считает, что при текущих темпах модели исчерпают его в коридоре 2026–2032 годов; спасают синтетика и мультимодальность, но это смена топлива, а не бесконечный бак.

Оставшиеся два рычага — экономические и социальные, и они мягче, но коварнее. Капитал и ROI: при базовых вложениях Goldman Sachs около $765 млрд в 2026 году рынку нужна осязаемая отдача, иначе финансирование сожмётся быстрее, чем строятся дата-центры; разрыв между капзатратами и доказанной прибылью — главный кандидат на «прокол пузыря». Доверие и регуляция: более половины веб-трафика уже формируют боты (51% в 2024 году по отчёту Imperva Bad Bot Report 2025, причём вредоносные боты — 37%), и по мере того как синтетический контент размывает доверие к самому интернету, ценность проверяемо человеческого и чистых данных растёт. Любое из этих узких мест способно перевести базовый сценарий в сдержанный — не обрушив технологию, а просто замедлив её.

Отдельно — про AGI, без хайпа. Честная формулировка: консенсуса нет, и это само по себе факт. Оптимисты вроде Дарио Амодеи допускают системы, превосходящие почти всех людей почти во всём, уже к 2026–2027 годам (при этом сам Амодеи называет термин «AGI» маркетинговым); умеренные вроде Демиса Хассабиса говорят про ~50% вероятности AGI к концу десятилетия; скептики — Ян Лекун, Гэри Маркус, Фей-Фей Ли — настаивают, что нынешняя архитектура упирается в галлюцинации, отсутствие пространственного и телесного опыта, и что сама рамка «AGI» отвлекает от реальных проблем уже развёрнутых систем. Чего мы не знаем наверняка: сохранится ли отдача от масштабирования, хватит ли данных и энергии, и не путаем ли мы бенчмарки с интеллектом. На SWE-bench Verified результат за пару лет вырос примерно с 60% до 90%+ у лучших моделей, что впечатляет, но измеряет узкую способность чинить код в открытых репозиториях, а не общий интеллект.

Параллельно дозревает управление. С 2 августа 2026 года в ЕС вступают в силу основные нормы AI Act для высокорисковых систем из Приложения III, прозрачность и базовые обязательства для моделей общего назначения (GPAI) действуют уже с августа 2025-го, а охват легаси-GPAI и встроенных в регулируемые продукты систем растянут до 2 августа 2027-го. По данным Stanford HAI AI Index 2026, организационная адопция достигла 88% (против 78% годом ранее), но разрыв между тем, что ИИ умеет, и тем, насколько мы готовы этим управлять, только расширяется. Главный вывод раздела прост и отрезвляющ: по всем измеримым осям — энергии, контенту, деньгам, способностям — бо́льшая часть прогнозируемого роста ещё впереди, а не позади. Поэтому по-настоящему открытый вопрос не «когда машины станут умнее нас», а гораздо более практичный: что именно мы строим — какие данные, нормы, энергосистему и институты доверия — пока эта кривая продолжает идти вверх.