Тренды искусственного интеллекта для бизнеса: что меняется и что внедрять

Проверенные тренды AI для B2B: масштабирование вместо пилотов, падение стоимости инференса, открытые модели, MCP и агенты, EU AI Act и закон 243-ФЗ. Цифры McKinsey, Stanford, Gartner и план действий на год.

Статьи о трендах искусственного интеллекта стареют за полгода. Названия моделей меняются каждый квартал, прогнозы аналитиков сбываются через раз, а громкие цифры из презентаций часто не выдерживают проверки. Поэтому здесь нет «топ-10 технологий будущего». Мы разбираем сдвиги, которые уже подтверждены данными и влияют на решения B2B-компании: что автоматизировать, где размещать модели, как считать экономику и к каким требованиям готовиться. Каждая цифра ниже — с названием источника и датой. Состояние на сентябрь 2026 года. Как мы отбирали тренды В подборку попало то, что прошло три фильтра: Есть проверяемые данные. Опрос с известной методикой, рыночная статистика, текст закона или релиз технологии. Слова «эксперты считают» не подходят. Сдвиг меняет решения заказчика. Бюджет, архитектуру, выбор подрядчика, требования к безопасности. Любопытные, но далёкие от бизнеса вещи мы пропустили. Тренд переживёт смену поколения моделей. Поэтому речь идёт о классах технологий, а не о конкретных версиях. Отдельные темы мы давно разобрали в самостоятельных материалах: как устроены AI-агенты и как запустить первого , как научить нейросеть отвечать по базе знаний компании , как попасть в ответы нейросетей и как выбрать первый процесс и посчитать окупаемость . Здесь они упоминаются только там, где это нужно для общей картины. 1. AI используют почти все, масштабируют единицы Главный сдвиг последних двух лет не технологический, а организационный. Попробовать генеративный AI стало дёшево, поэтому пробуют практически все. Довести пилот до измеримого результата по-прежнему трудно. В опросе McKinsey The State of AI (ноябрь 2025) 88% респондентов сказали, что их организации регулярно используют AI хотя бы в одной бизнес-функции. Годом ранее таких было 78%. При этом о масштабировании агентных систем хотя бы в одной функции сообщили 23% респондентов, ещё 39% находятся на стадии экспериментов. В каждой отдельно взятой функции агентов масштабируют не более 10% компаний. Отчёт MIT Project NANDA «The GenAI Divide» (июль 2025) звучит ещё жёстче: по оценке авторов, 95% пилотов генеративного AI не дали измеримого влияния на прибыль и убытки. У исследования небольшая выборка — 52 интервью, опрос 153 руководителей и разбор 300 публичных внедрений. Поэтому 95% стоит считать сигналом, а не точной мерой. Но сигнал совпадает с тем, что видно на проектах: пилоты застревают, если их не встроили в реальный процесс и не договорились о метрике до старта. Что это значит для компании. Преимущество теперь даёт не доступ к AI, а умение довести внедрение до эксплуатации: выбрать процесс с понятным эффектом, заранее зафиксировать метрику, встроить модель в рабочие системы и назначить владельца результата. 2. Инференс дешевеет, экономика AI-функций пересчитывается Стоимость обращения к языковой модели одного и того же уровня падает очень быстро. В Stanford AI Index 2025 приведён расчёт: запрос к модели с качеством GPT-3.5 на тесте MMLU стоил $20 за миллион токенов в ноябре 2022 года и $0,07 в октябре 2024 года. Это снижение более чем в 280 раз примерно за полтора года. Там же отмечено, что в зависимости от задачи цены на инференс падают от 9 до 900 раз в год. Отсюда два практических следствия. Задачи, которые раньше не окупались, стоит пересчитать. Разбор входящих писем, классификация обращений, извлечение полей из документов, суммаризация звонков — там, где год-два назад мешала цена за запрос, сейчас чаще мешают данные и интеграции. Дешевеет единица, но не всегда весь бюджет. Модели с режимом рассуждения тратят заметно больше токенов на ответ, а агенты делают десятки вызовов на одну задачу. Итоговый счёт растёт вместе с объёмом, поэтому архитектуру нужно проектировать с учётом стоимости. Типовое решение — маршрутизация запросов. Простые и частые задачи уходят в небольшую быструю модель, сложные и нестандартные — в мощную. Экономию здесь нельзя обещать заранее: она зависит от доли простых запросов и от того, насколько качество маленькой модели устраивает бизнес. Её измеряют на собственной выборке задач. 3. Рассуждающие модели и открытые веса В сентябре 2024 года OpenAI представила o1 — первую массовую модель, которая перед ответом тратит время на пошаговое рассуждение. В январе 2025 года китайская DeepSeek выпустила R1 со сравнимым заявленным качеством на задачах по математике и программированию и опубликовала веса под лицензией MIT, разрешающей коммерческое использование. После этого режим рассуждения появился у большинства крупных семейств моделей, а разрыв между закрытыми и открытыми моделями перестал быть непреодолимым. Для российских компаний открытые веса важны по особой причине. Их можно развернуть в своём контуре или у российского облачного провайдера, не передавая данные за рубеж. Это упрощает соответствие требованиям 152-ФЗ о персональных данных и снимает часть рисков, связанных с доступностью зарубежных API. Своя инфраструктура при этом не бесплатна. Модель нужно разместить на GPU, обновлять, мониторить и защищать. Помогает квантизация — хранение весов с пониженной точностью. Простая арифметика: модель на 70 млрд параметров в 16-битном формате занимает около 140 ГБ памяти, в 4-битном — около 35 ГБ плюс служебные расходы. Вторая уже помещается на одну серверную карту с 80 ГБ памяти. Качество после квантизации нужно проверять на своих задачах, а не верить общим оценкам. Когда своя модель оправдана: данные нельзя передавать внешнему провайдеру по закону или договору; нагрузка стабильная и большая, и аренда GPU обходится дешевле оплаты за токены; нужна предсказуемая задержка и независимость от внешнего сервиса; задача узкая, и небольшая дообученная модель справляется не хуже универсальной. В остальных случаях разумно начать с API — российских (YandexGPT, GigaChat) или зарубежных, если это допускают данные, — и вернуться к вопросу, когда появятся реальные объёмы. 4. Агенты получили общий стандарт подключения, но не гарантию результата Агент — это модель, которая не только отвечает, но и действует: вызывает системы, пишет в базы, отправляет письма. Долгое время каждую интеграцию писали вручную под конкретную модель. В ноябре 2024 года Anthropic открыла Model Context Protocol (MCP) — единый протокол подключения моделей к инструментам и данным. За год его поддержали основные разработчики моделей и сред разработки. В декабре 2025 года MCP передали в Agentic AI Foundation — новый фонд под эгидой Linux Foundation. Среди его первых проектов также goose от Block и AGENTS.md от OpenAI. Для бизнеса это означает, что интеграцию с CRM, базой знаний или учётной системой можно сделать один раз и использовать с разными моделями. Смена провайдера перестаёт означать переписывание всего слоя интеграций. Ожидания от агентов стоит держать трезвыми. Gartner в июне 2025 года спрогнозировал, что к концу 2027 года больше 40% проектов агентного AI закроют из-за растущих затрат, неясной ценности или слабого контроля рисков. Аналитики отдельно отметили «agent washing» — переименование обычных чат-ботов и RPA в агентов. По их оценке, реальными агентными возможностями обладают лишь около 130 из тысяч вендоров. Как отличить уместную задачу для агента от неуместной и как ограничить его права, мы подробно разобрали в статье об AI-агентах для бизнеса . 5. Документы, голос и изображения стали обычным входом Современные модели работают не только с текстом, но и со сканами, фотографиями, таблицами и аудио. Значительная часть корпоративной информации живёт именно в таком виде — счета, договоры, записи звонков, фото с объектов. Поэтому самые приземлённые и быстро окупаемые внедрения часто связаны не с чат-ботами, а с обработкой потока документов и разговоров. Документы. Извлечение реквизитов и сумм из счетов, актов и договоров с проверкой и передачей в учётную систему. Граница автоматизации проходит там, где ошибка в сумме или реквизитах стоит дороже ручной проверки. Звонки. Транскрибация и оценка разговоров по чек-листу вместо выборочной ручной прослушки. В нашем проекте AI-аналитики звонков для финансовой компании отдел продаж проводил более 100 000 разговоров в месяц, а вручную проверялось меньше 5% из них. Задачей было оценивать все звонки автоматически. Голосовые сценарии. Роботы для типовых обращений в колл-центре. Им доверяют повторяющиеся сценарии с понятным исходом, а сложные и конфликтные разговоры передают оператору. Общее правило для таких систем: модель ошибается, поэтому нужны порог уверенности, ручная проверка сомнительных случаев и регулярный замер качества на свежих данных. 6. Код всё чаще пишут модели, но быстрее становится не всегда Разработка — отрасль, где AI проник глубже всего. В опросе Stack Overflow Developer Survey 2025 (49 тысяч ответов) 84% разработчиков сказали, что используют AI-инструменты или планируют начать. Одновременно 46% не доверяют точности их ответов — годом ранее таких было 31%. Ощущение ускорения тоже не всегда совпадает с измерениями. В рандомизированном исследовании METR (июль 2025) 16 опытных разработчиков открытого ПО выполнили 246 задач в своих же проектах. С AI-инструментами задачи занимали на 19% больше времени, хотя сами участники считали, что работали примерно на 20% быстрее. Исследование касается зрелых кодовых баз и инструментов начала 2025 года — на новых проектах и прототипах картина другая. Но вывод понятен: эффект нужно измерять, а не угадывать. Для заказчика это означает, что AI меняет экономику прототипов и MVP сильнее, чем экономику сложных систем. Подробно о подходе, при котором код генерируется по описанию, и о его пределах — в статье что такое вайбкодинг . 7. Поиск превращается в ответы Пользователи всё чаще получают готовый ответ от нейросети вместо списка ссылок: в поисковых системах, в чат-ассистентах, в голосовых помощниках. Для B2B-компании это меняет путь клиента. Заказчик может сформировать список подрядчиков, ни разу не открыв поисковую выдачу. Как AI-системы выбирают источники, что на это влияет, а что пока остаётся гипотезой, мы разобрали в статье о GEO-оптимизации . 8. Регулирование перешло от деклараций к срокам Европейский союз Регламент ЕС об искусственном интеллекте (AI Act) вступил в силу 1 августа 2024 года и применяется поэтапно. Запреты на недопустимые практики действуют со 2 февраля 2025 года, обязательства для моделей общего назначения — со 2 августа 2025 года. Со 2 августа 2026 года действуют требования прозрачности из статьи 50: пользователь должен знать, что общается с AI, а синтетический контент должен быть распознаваемым. Сроки для систем высокого риска сдвинули. Пакет поправок Digital Omnibus, окончательно одобренный летом 2026 года, перенёс требования к самостоятельным высокорисковым системам (приложение III — например, AI в найме, кредитовании, образовании) на 2 декабря 2027 года, а к AI внутри регулируемых продуктов (приложение I) — на 2 августа 2028 года. Российских компаний это касается, если их AI-системы выводятся на рынок ЕС или их результаты используются в ЕС. Россия 26 июля 2026 года подписан Федеральный закон № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации». Это первый закон, который системно регулирует разработку и применение нейросетей. Он вводит базовые понятия, принципы регулирования, полномочия органов власти и категории «суверенных» и «национальных» больших фундаментальных моделей. Закон вступил в силу 1 сентября 2026 года, но значительная часть норм заработает с 1 марта 2027 года. Подзаконные акты ещё предстоит принять, поэтому конкретные обязанности для компаний, которые используют AI в своих процессах, стоит отслеживать по мере их публикации. Уже сейчас на любые AI-системы, которые обрабатывают данные клиентов и сотрудников, распространяется 152-ФЗ. Для внешних API это вопрос о трансграничной передаче, для собственных моделей — о защите хранилищ и журналов. Минимум, который стоит сделать независимо от юрисдикции составить реестр AI-систем: что делает, какие данные получает, кто владелец; для каждого сценария определить, где решение принимает человек; предупреждать пользователей, что с ними общается AI,