Что дальше для ИИ и как туда добраться

      TL;DRМодели передового ИИ сблизились друг с другом на 5% (Индекс ИИ Стэнфорда 2026 года). Gartner предсказывает, что более 40% проектов агентного ИИ будут отменены к концу 2027 года. Вице-президент Oxylabs Гедиминас Рикевас утверждает, что различия сместились от выбора модели к инфраструктуре данных: веб-индексы, созданные для агентов (структурированный контент, а не синие ссылки), и слои доступа в реальном времени для динамической информации. McKinsey обнаруживает, что 88% организаций используют ИИ, но только 6% являются высокоэффективными.

      В 2026 году способ, которым мы говорим об ИИ, начинает меняться. Два года назад каждая дискуссия в совете директоров вращалась вокруг одного и того же вопроса: на какую модель мы ставим? Сегодня этот вопрос едва ли имеет значение. Передовые системы сблизились так тесно, что, согласно Индексу ИИ Стэнфорда 2026 года, ведущие модели получили примерно 30 процентных пунктов за один год по ключевым показателям и теперь находятся на расстоянии волоса друг от друга по большинству задач. Модель больше не является переменной; что-то другое имеет значение.

      Тем самым чем-то являются данные, а именно то, что модель видит, когда она это видит и насколько хорошо это структурировано. ​То, что сейчас имеет значение, более фундаментально: качество, свежесть и структурная глубина информации, которую получает модель. Организации сталкиваются с двумя стенами одновременно. Одна из них — это ошибки ИИ-агентов, которые продолжают производить уверенные ошибки. Другая — долгосрочная и более основополагающая, нахождение свежей информации требует нового поколения поисковой инфраструктуры. Обе стены ведут обратно к одному и тому же основанию: данным.

      Что дальше: ИИ-агенты и агентная сеть

      Когда агенты спотыкаются

      Агентный ИИ — системы, которые могут планировать, искать данные, использовать инструменты и выполнять многошаговые задачи с ограниченным человеческим контролем — внедряются в области конкурентного мониторинга, ценовой аналитики, маркетинговых исследований, закупок и квалификации лидов. К сожалению, агенты часто терпят неудачу в большинстве из этих областей.

      ​Gartner предсказывает, что более 40% проектов агентного ИИ будут отменены к концу 2027 года, ссылаясь на растущие затраты, неясную бизнес-ценность и недостаточные меры контроля рисков. Исследование MIT NANDA 2025 года подчеркивает это еще более резко: примерно 95% пилотных проектов генеративного ИИ не смогли обеспечить измеримые результаты, при этом хрупкие рабочие процессы и отсутствие контекстного обучения упоминаются как основные причины.

      ​Инстинкт, когда агент производит уверенную ошибку, — это обвинить модель — недостаток в рассуждениях, галлюцинация. На самом деле, неудача обычно может быть прослежена к чему-то гораздо более простому: агент работал с устаревшей или неполной информацией. Здравый смысл — устаревшие факты, если сказать прямо. Агент, оценивающий ценовую стратегию конкурента, ограничен тем, может ли он получить доступ к актуальной и географически точной ценовой информации, а не тем, может ли он рассуждать об этом. Флот таких агентов в критически важных бизнес-функциях является структурной проблемой, которую никакое количество инженерии подсказок не сможет исправить.

      Контекст как инфраструктура

      Существует постоянная тенденция в бюджетировании ИИ в предприятиях рассматривать приобретение данных как накладные расходы, что-то, что находится ниже линии и, после передачи в ИТ, не должно снова всплывать в стратегических обсуждениях. Это больше не жизнеспособно. В отрасли даже было придумано название для дисциплины, занимающейся этим: инженерия контекста, которую в конце 2025 года Anthropic определил как практику курирования оптимального набора информации, доступной модели в момент вывода.

      ​Для организаций, чей ИИ зависит от веб-данных, списков продуктов, финансовых раскрытий, новостей, вакансий, регуляторных обновлений, активности конкурентов, сырая информация доступна. Сложность заключается в том, чтобы получить к ней постоянный доступ. Динамическое отображение контента, непоследовательные форматы данных и другие общие функции веб-сайтов становятся препятствиями, когда вам нужно быстро и в больших объемах извлекать публичные данные. Организации, которые недостаточно инвестируют в их решение, позволяют удобству определять, что их ИИ знает о мире.

      Лучшие веб-индексы

      Чтобы обеспечить агента свежей информацией, вам нужен веб-индекс: организованная база данных, к которой обращаются поисковые системы вместо живого интернета. Он функционирует как каталог библиотеки, позволяя системам находить информацию на миллиардах страниц за миллисекунды, не читая каждую «книгу» с нуля.

      Процесс является непрерывным: пауки открывают страницы, парсеры удаляют шум, такой как реклама и код, а система хранит чистый контент с качественными сигналами для ранжирования. В то время как традиционные индексы предоставляют ссылки для людей, агенты требуют структурированные данные, которые они могут использовать немедленно. Стандартные индексы заставляют агентов извлекать, очищать и обобщать страницы по отдельности, что добавляет задержку и затраты на токены. Индексы, созданные для агентов, пропускают эту суету, храня готовый к использованию контент с проверяемыми источниками, превращая поиск в надежный фундамент для действий, а не в список синих ссылок.

      Где это становится интересным для всех, кто строит с ИИ, так это в том, что традиционные поисковые индексы были разработаны для людей: заголовок, ссылка, короткий фрагмент, достаточно, чтобы решить, на какую синюю ссылку кликнуть. Агент не хочет список ссылок. Ему нужна фактическая информация, уже извлеченная и структурированная для языковой модели.

      Когда индекс возвращает только ссылки, агенту приходится извлекать каждую страницу, удалять полезные части и обобщать их самостоятельно, что добавляет задержку, увеличивает затраты на токены и создает больше мест для ошибок. Индексы, созданные для агентов, пропускают эту суету, храня контент, который модель может использовать сразу, с указанием источника и даты, чтобы каждый факт можно было отследить. Эта последняя часть имеет значение, потому что показать, откуда взялось утверждение, является одной из более практичных защит против агента, уверенно выдумывающего что-то. Поэтому, когда кто-то говорит, что агентам нужны лучшие данные, это частично означает, что агентам нужны индексы, созданные для них.

      Инфраструктура для доступа в реальном времени

      Хороший индекс позволяет далеко продвинуться, но даже лучший индекс является моментальным снимком. Он отражает веб на момент последнего обхода, и для многих задач агентов эта задержка является разницей между правильным ответом и бесполезным.

      Коммодитизация моделей раньше считалась маргинальным предсказанием, но это уже не так. Опрос McKinsey 2025 года о состоянии ИИ показал, что 88% организаций теперь используют ИИ хотя бы в одной функции, но только 6% квалифицируются как высокоэффективные, извлекающие значимую ценность для всего предприятия. Принятие больше не является ограничением, тогда как выполнение — это. И большая часть выполнения заключается в том, что модель получает, когда она начинает работать, что сводится к инфраструктуре вокруг нее, а не к самой модели.

      Такая инфраструктура служит двум основным целям: индекс для хранения структурированного веб-контента для моделей ИИ и живой доступ к актуальным данным веба. Стандартные индексы упускают немедленные обновления, такие как динамическое ценообразование, изменения в регулировании или новые запуски продуктов, требуя от агентов преодолевать препятствия, такие как динамический контент и разнообразные форматы. Следовательно, конкурентное преимущество зависит меньше от выбора модели и больше от широты и актуальности данных, к которым ИИ может получить доступ.

      Подводя итог

      Модели имеют значение, и создание агентов — это действительно требовательная работа. Но по мере того как модели становятся более способными и более похожими, вопрос о том, куда направить следующий доллар, заслуживает более честного анализа, чем обычно. Отчет Deloitte о состоянии ИИ в предприятиях 2026 года говорит об этом прямо: компании, переходящие от пилота к производству, — это те, кто инвестирует в основные основы, а не только в вид