Что изменилось в индустрии ИИ в 2025?
2025 год для индустрии ИИ оказался переломным. Модели уровня GPT перестали восприниматься как “просто чат”, а ИИ стал рассматриваться как инфраструктурный компонент бизнеса. В начале обсуждения участники вспоминают несколько заметных событий года: появление новых генераторов изображений в экосистеме Gemini, усиление конкуренции моделей, первые “китайские чаты”, а также неожиданную для многих смену требований к менеджерским ролям.
Один из примеров, который ярко отражает сдвиг: в вакансиях для Project Manager и Delivery Manager начали встречаться требования, связанные с вайб-кодингом и быстрым прототипированием. Менеджер должен не только управлять, но и уметь быстро показать концепт, собрать прототип, сформулировать задачу через “работающий пример”.
Если в январе бенчмарком рынка по привычке называли ChatGPT, то уже к концу года стало очевидно, что экосистем становится больше, а рынок движется в сторону практических сценариев. ИИ перестает быть “одним сервисом” и превращается в набор взаимосвязанных инструментов, где выигрывают те, у кого есть экосистема.
Три тренда 2025 года
По итогам года выделяются три направления, которые сильнее всего повлияли на рынок.
1) Резкий рост числа нейросетей и сервисов
Появилось много моделей и “сервисов все-в-одном”. Это снижает барьер входа и ускоряет прикладное применение. Бизнес перестал зависеть от одного поставщика и начал сравнивать варианты по качеству, стоимости и удобству встраивания в процессы.
2) Появление и массовое обсуждение агентов
Агенты стали ключевой темой года. Вайб-кодинг во многом воспринимается как “наследие агентского подхода”: вместо ручной работы человек управляет инструментом, который выполняет цепочку действий.
В агентскую волну попало многое: автоматизация рутины, подготовка документов, поддержка клиентов, а также рекрутмент, где агенты берут на себя резюме-скрининг, подсказки по интервью и подготовку итоговых summary.
3) Конкуренция экосистем: Google догоняет и давит
Отдельно отмечается усиление экосистемы Google. Если в начале года многие воспринимали Gemini как второстепенную историю, то к концу года она стала серьезным конкурентом, потому что экосистема решает задачи “под ключ”. Именно это подводит к важной мысли конца выступления: в следующем этапе развития продукта выигрывает не технология сама по себе, а клиентский путь и решение задачи.
Что говорят цифры: рост использования и разрыв в масштабировании
По приведенным в выступлении оценкам глобальная картина выглядит так:
- общий объем запросов к ChatGPT вырос кратно год-к-году
- рост пользователей GPT-продуктов тоже кратный
- рост использования API показывает, что компании переходят от “поиграться в чат” к построению внутренних решений
Важнее другое: 88% организаций пробовали агентские подходы, но только 23% смогли масштабировать. Это ключевой разрыв. Он показывает, что “пилот” и “системное внедрение” требуют разных компетенций, другой инфраструктуры и поддержки со стороны бизнеса.
Есть еще один вывод, который подтверждает практику последних лет: сейчас не ИИ “заменяет людей”, а людей заменяют другие люди, которые используют ИИ. Эффект напрямую связан с эффективностью и интенсивностью работы. В выступлении этот тезис подкрепляется понятным примером: менеджер, который умеет быстро прототипировать через вайб-кодинг, получает преимущество над тем, кто работает по старому циклу и неделями ждет от команды “показать, как будет”.
Успешные кейсы: где агенты дают измеримый эффект
Подборка кейсов в материале важна не названиями компаний, а типом задач, которые агенты реально вытягивают.
Наиболее устойчивые сценарии сегодня связаны с рутиной и поддержкой:
- разгребание типовых запросов;
- юридические шаблоны и стандартизированные ответы;
- поддержка пользователей по продукту и бренду;
- ускорение обработки обращений;
- работа с конверсией и “процессом сделки”;
- аналитика и помощь в интерпретации данных.
Отдельно делается акцент: агенты эффективны там, где они дообучены на вашей базе знаний и документации, и где задача проверяемая. Если год назад собрать агента “про ваш бренд” было непросто, то сейчас это стало вопросом нескольких часов при работе с документацией и конструктором вроде n8n или Langflow.
Кейc Anthropic: вайб-кодинг и рост производительности инженеров
В выступлении отдельно разбирается отчет Anthropic (создателей Claude). Смысл не в том, “какая модель лучше”, а в эффекте.
Отмечаются три результата:
- значительный рост доли задач, где разработчики используют агентские инструменты в IDE
- рост производительности инженеров около 50% год-к-году (в терминах отчета)
- около 27% задач в некоторых сценариях не выполнялись бы без ИИ
При этом главный вывод не “давайте заменим людей”, а баланс и гибридные команды. В докладе подчеркивается риск деградации навыков: если бездумно принимать решения агента, качество проседает. Даже при условной точности 90% оставшиеся 10% рисков неизбежно ложатся на человека. Поэтому зрелый подход выглядит как расширение команды агентами, а не попытка заменить команду агентами полностью.
Россия: высокий интерес и сильные ограничения
Российская динамика описывается как “массово шагнули в интерес”, но столкнулись с ограничениями.
Среди ключевых барьеров выделены:
- нехватка инфраструктуры и железа
- контур информационной безопасности и непонимание, как работать с API и персональными данными
- дефицит компетенций (похожая история была в data-трансформации, когда не хватало аналитиков)
- качество и доступность данных: часть данных непригодна для обучения и аналитики из-за дыр, дублей и неточностей
- эффект “короткой истории”: валидных данных часто всего 2–3 года, а контекст в эти годы был нестабильным
Отдельно отмечается отраслевой перекос: в промышленности, энергетике и добывающих сегментах больше денег на технологии и выше шанс увидеть реальные внедрения (включая компьютерное зрение и аналитику там, где человеку работать сложно).
Рекрутмент: почему цифровые аватары не взлетели
В 2025 году многие компании мечтали про агентов, которые “к концу года будут проводить собеседования”. Рынок HR-технологий растет, интерес высокий, но в реальных внедрениях доля успеха мала.
Ключевой тезис: кандидаты не хотят тратить время на разговор с роботом. В выступлении приводится оценка, что только небольшая доля кандидатов готова идти на собеседование с цифровым рекрутером “ради эксперимента”. Логика простая: если человек выделяет время, он ожидает, что компания тоже выделит человеческое время.
Практическое решение, которое выглядит жизнеспособнее: copilot для рекрутинга, а не аватар вместо рекрутера. То есть рекрутер и кандидат общаются, а агент:
- делает summary;
- подсказывает вопросы рекрутеру;
- отмечает реакции и зоны риска;
- формирует итоговый документ о соответствии профилю.
Такой сценарий сохраняет коммуникацию “человек-человек”, но ускоряет рутину и повышает качество интервью.
Что реально работает: три принципа внедрения агентов
1) Глубокая интеграция ИИ в базу знаний
Лучшие результаты дают решения, где агенты знают продукт, документацию и стандарты. Тогда агент становится продолжением команды, а не игрушкой.
2) Перепроектирование процессов, а не “автоматизация старого”
Раньше процессы описывали через интервью или process mining, затем автоматизировали шаги. Сейчас логика меняется: сначала фиксируется процесс, потом команда отвечает на вопрос, где агент должен помогать и какую рутину снять. Это важно, потому что люди соглашаются на ИИ, когда видят понятные инструменты, обучение и поддержку, а не угрозу “вас заменят”.
3) Старт с низкого риска
Не стоит начинать с задач высокой неопределенности, где даже человек не всегда понимает, как правильно. Генеративные модели статистические по природе.
Поэтому лучше заходить в проверяемые повторяющиеся сценарии, где результат легко контролировать.
Практический план на 2026 год
1) Начните с простых, проверяемых задач
Подойдут сценарии вроде генерации сложных таблиц для отчетов, шаблонных писем, сборки документов, контент-фабрики (поиск новостей, саммаризация, текст, изображения). Важно выбирать задачи, где вы понимаете критерии качества и можете перепроверить результат.
2) Ищите не только ускорение, но и новые возможности
Ускорять рутину полезно, но настоящая ценность начинается там, где ИИ решает задачи, которые раньше не решались. Пример: агент не просто строит дэшборд, а интерпретирует картину, объясняет причины и подсвечивает риски. Это следующий уровень полезности.
3) Переосмыслите состав продуктовых команд
Приведен пример “нового дизайна команды”: владелец продукта, инженер, сеньорный технический лидер и набор агентских инструментов. Идея в том, что размер “круто перформящей” команды может снизиться к 5–7 людям, если часть компетенций закрывается агентами.
4) Управляйте рисками и внедряйте итеративно
Нужны метрики мониторинга, критерии качества и контроль рисков. Пилоты должны быть короткими и управляемыми. Не стоит сразу масштабировать, пока не доказана устойчивость.
5) Оцените готовность
Проверьте базовую зрелость: данные, инфраструктура, безопасность, культура, поддержка лидеров. Без этого внедрение будет выглядеть как серия хаотичных экспериментов.
6) Обучайте команду осмысленному промптингу
В выступлении подчеркивается: да, современные агенты иногда “и так дают результат”, но если вам нужна точность и качество, важно понимать, как формулировать задачу и как модель рассуждает.
Выделяются три типа промтов, которые закрывают большую часть задач менеджера:
- ролевые промты
- “думающие” промты (цепочки рассуждений)
- пошаговый промптинг (база для агентских сценариев)
Ошибки, которые чаще всего ломают внедрение
- Попытка лезть в ИИ без данных и инфраструктуры;
- надежда “потом появятся ресурсы”, когда их нет сейчас;
- перенос старых процессов без редизайна;
- слепое доверие агенту без фактчекинга и критического мышления;
- старт с высокорисковых задач, которые трудно проверять;
- замена человеческой коммуникации там, где она критична (пример рекрутмента).
Итоги
2026 год станет проверочным. Индустрия будет смотреть, смогут ли крупные компании получить измеримый бизнес-эффект, а не только пилоты. Победят не те, у кого “самая умная модель”, а те, кто встроит ИИ в клиентский путь и процессы, сохраняя баланс между людьми и агентами.
Если резюмировать в шести правилах:
- расширяйте команду агентами там, где не хватает компетенций;
- начинайте с задач, которые вы сами умеете делать и проверять;
- делайте редизайн процессов, а не просто автоматизацию;
- оценивайте готовность по данным, инфраструктуре и поддержке;
- запускайте пилоты и масштабируйте только успешное;
- инвестируйте в обучение и критическое мышление, иначе качество просядет.