Не там смотрите: что на самом деле происходит с генеративным ИИ

В 2025 году бизнес, а за ним и СМИ стали задаваться вопросом — а не является ли ИИ пузырем? Но сама постановка вопроса уводит дискуссию в сторону: она сводит сложный технологический сдвиг к бинарной оценке — работает или нет. Сама по себе технология ничего не гарантирует. Ценность появляется только тогда, когда вокруг нее возникает понятный продуктовый сценарий, в котором технология начинает давать измеримый результат. Пока все спорят о пузыре, настоящий сдвиг уже случился. Просто не там, где его искали.

Выйти из полноэкранного режима

Развернуть на весь экран

Где ИИ уже стал нормой — и где еще нет

В публичном дискурсе часто смешиваются два разных явления: собственно генеративные модели и тот ИИ, который в цифровом бизнесе давно стал стандартом. Персонализация и анализ поведения пользователей встроены практически в любой цифровой сервис. Без них не существует электронной коммерции, на них держатся рекомендации, ранжирование, антифрод, значительная часть финтеха. Пользователь этого обычно даже не замечает: для него это просто нормальная работа продукта. В этом смысле традиционный ИИ давно вышел из стадии споров о собственной ценности и стал базовым слоем цифровой экономики.

С генеративным ИИ ситуация пока иная. Он все чаще появляется внутри привычных пользовательских сценариев — в поиске, банковских приложениях, подсказках, интерфейсных действиях, помощниках внутри уже знакомых продуктов. Самостоятельные ИИ-приложения в России такого распространения пока не получили — нельзя сказать, что генеративный ИИ уже стал повседневной привычкой.

При этом основной прогресс за последний год произошел не в разговорных сценариях, к которым все привыкли, а в решении более сложных прикладных задач — там, где требуется работа с кодом, логикой и многошаговыми процессами.

Где произошло то, чего не заметили

По ряду бенчмарков этот сдвиг хорошо виден. В задачах, связанных с общей эрудицией и разговорными сценариями (например, MMLU), прирост качества за последний год остается умеренным — порядка 7%. Это не означает остановку развития — скорее, такие сценарии уже близки к насыщению, и прогресс замедляется.

При этом в задачах другого класса динамика принципиально иная. В тестах, связанных с автономной работой с инструментами и API (GAIA), прирост достигает порядка 260%, а в задачах автоматизации разработки и исправления кода (SWE-bench) — около 280%.

Это означает, что основной прогресс сместился: модели развиваются уже не столько в точности ответов, сколько в способности действовать — планировать, выполнять цепочки шагов и доводить задачи до результата. Если еще год назад модель чаще выступала как «советчик», то теперь в ряде сценариев она может брать на себя выполнение отдельных задач — при условии правильно выстроенного процесса.

Где чаще всего ошибаются

Самая распространенная ошибка внедрения выглядит просто. Берется процесс, изначально спроектированный под людей, и в него пытаются встроить ИИ-модель. В результате технология работает как косметическая надстройка, а не как источник новой эффективности. Кажется, что компания «внедрила ИИ», но, по сути, она просто добавила модный слой поверх прежней логики.

Это не абстрактная проблема. Мы сами через это прошли. В службе поддержки генеративный ИИ сначала попытались положить на уже существующие рельсы. Выигрыш в автоматизации оказался в пределах 2% — очень скромный результат для технологии, от которой ждут прорыва. В итоге пришлось не усиливать внедрение ради внедрения, а возвращаться к продуктовой логике: смотреть, в каком месте процесс нужно пересобрать, чтобы новая технология начала работать на результат.

Именно в этой точке чаще всего и ломаются ожидания. Не потому, что технология «оказалась пузырем», а потому, что ее пытаются использовать в неподходящем сценарии или без продуктовой рамки вокруг нее.

Что работает на практике

Прагматичный подход начинается не с вопроса «куда прикрутить LLM», а с вопроса «на что у людей уходит время». Так, например, в «Авито» изменился процесс создания продуктовых прототипов. Еще недавно даже базовая проверка новой идеи требовала ресурсов полноценной команды разработчиков. Теперь функциональный прототип можно собрать значительно быстрее, чем ранее. Такой эффект возникает только при передаче модели контекста: дизайн-системы, продуктовой логики и ограничений среды. Тогда она перестает быть демонстрацией возможностей и становится рабочим инструментом.

В маркетинге та же логика. Генеративный ИИ полезен не только тем, что позволяет быстро создать больше вариантов кампании. Главный вопрос — как отбирать результаты? Раньше маркетинговая команда могла руками придумать и проверить ограниченное число вариантов. Сейчас можно сгенерировать тысячи гипотез, но без системы оценки это превращается в цифровой шум.

Поэтому зрелый сценарий — это связка генерации и предварительной оценки, когда ИИ помогает сузить поле до действительно перспективных гипотез. После этого часть гипотез уже можно проверять по-старинке — на людях, на выборках, на фокус-группах. В такой логике меняется не только скорость производства маркетинговых материалов, но и сама экономика принятия решений.

Важно и то, что лучшие практики часто рождаются снизу. Сотрудники сами собирают сценарии под свои задачи, а компания масштабирует удачные решения. В «Авито» для этого работает отдельный механизм: внутренние эксперименты поддерживаются в формате небольших стартапов через инвестиционные комитеты — так локальная идея может быстро стать общей практикой.

Это не про инструменты. Это про майндсет

Глядя на то, как меняется рынок глобально, и на собственный опыт, мы в «Авито» пришли к простому выводу: недостаточно внедрить ИИ как инструмент. Речь идет о пересборке того, как устроена работа — от повседневных задач сотрудников до продуктовых и управленческих процессов. И, как следствие, изменить то, как люди думают о своей работе каждый день.

Поэтому мы объявили AI First не только как технологическую стратегию, но и как операционное и культурное преобразование. В его основе — четыре практических принципа: использовать ИИ ежедневно, делиться практиками с коллегами, «нанимать» на конкретные задачи и достигать более высоких результатов вместе с ним.

Компаний, которые сделали этот шаг, пока единицы. Большинство либо «внедряют ИИ» — то есть добавляют новый слой поверх старой логики, — либо ждут, когда технология докажет свою ценность сама. Последние, на мой взгляд, уже проигрывают. Просто пока не знают об этом.

Кто выиграет в долгую

Генеративный ИИ — не пузырь. Пузырем могут оказаться отдельные ожидания: что разговорные сценарии продолжат расти так же быстро, что достаточно добавить LLM к старому процессу, чтобы получить новый бизнес-результат.

Но сама технология уже достаточно сильна, чтобы менять способ разработки продуктов, внутренние сервисы, маркетинг, аналитику и повседневную организацию труда.

В долгосрочной перспективе выиграют не те компании, которые быстрее добавили генеративный ИИ как функцию, а те, кто встроит его в продукт, процессы и управленческую логику как базовый слой. Этот разрыв уже формируется — и скоро станет виден невооруженным глазом. Вопрос в том, по какую сторону окажется ваша компания.