Куда движется ИИ — что делать собственнику в 2026

Два года назад я бы тоже сказал: «Очередной хайп, как биткоин в 2017-м. Прогремит и забудется». Сейчас у меня в продакшне четыре системы на LLM у одного клиента — крупного дистрибьютора УЗ-оборудования. Они закрывают то, что раньше делали 3–4 человека вручную, и делают это лучше. Не потому что я заранее верил в ИИ — просто конкретные задачи появлялись, я пробовал решить их классическими инструментами, потом пробовал через LLM, и LLM оказывался кратно эффективнее.

Эта статья — не про «ИИ изменит мир за 5 лет». Это про шесть конкретных вещей, которые я уже наблюдаю на стыке маркетинга, продукта и автоматизации, и про то, что собственнику бизнеса с этим делать, пока окно возможностей открыто.

1. Почему отношение к ИИ перевернулось — и почему это не очередной хайп.
2. Какие функции реально замещаются (и кто пока в безопасности).
3. Логика бизнеса: почему компании всё равно пойдут на замещение.
4. Регуляторика: чего ждать от государства.
5. Агентная экономика: куда денутся посредники.
6. Что остаётся человеку, и где новое преимущество.

Почему ИИ — не «новый биткоин»

Параллель с биткоином была обоснованной. Тогда тоже обещали анонимность, замену банков, переворот финансовой системы — а получили волатильный спекулятивный актив, который никто массово не использует для оплаты булочки в кофейне.

С ИИ многие шли по той же логике. Сначала. До тех пор, пока не сели и не попробовали сами.

Точка перелома у меня случилась, когда я попросил Claude переписать pipeline сбора цен дилеров. Раньше эту задачу решал внешний подрядчик: брал список из 200 URL, парсил, сводил в Excel, сдавал отчёт. Стоило около 40 тыс/мес, отчёт приходил с задержкой неделя. Я за выходные собрал Python-сервис с тремя уровнями экстракции (JSON-LD → LLM → эвристика), который проходит ~1 000 URL за 30–45 минут и стоит в API-вызовах около $5 за прогон. Качество данных — выше человеческого: меньше пропусков, никаких опечаток. Это не «прикольный эксперимент», это рабочий инструмент, который заменил услугу подрядчика и стал точнее.

После такого случая ты перестаёшь воспринимать ИИ как игрушку. Это другая реальность.

Что реально замещается, а что пока нет

Когда люди думают про будущее ИИ, всё сводится к одному страху: меня уволят, потому что меня заменит модель. Давайте разберёмся, насколько он обоснован.

Под прямой угрозой

Любая работа, которая сводится к обработке структурированной информации по правилам:

• Сводка отчётов из десятка источников.
• Перевод документации между языками.
• Парсинг и категоризация писем/заявок.
• Заполнение форм в CRM по входящим данным.
• Стандартные юридические проверки контрагентов.
• Базовое копирайт-производство (тексты для карточек товаров, типовые статьи).
• Первичный анализ отчётов и таблиц.

McKinsey оценивает потенциал автоматизации текущих рабочих функций через генеративный ИИ в 60–70% времени, которое сотрудники тратят на эти задачи [4]. Goldman Sachs прогнозирует автоматизацию эквивалента 300 миллионов рабочих мест в развитых экономиках [5]. Это не паника, это базовая оценка двух крупнейших аналитических домов мира.

В моём же портфеле — система учёта маркетинговых расходов, где менеджер пишет отчёт по-русски, а LLM переводит его в английский для HQ в Корее с правильной терминологией медтеха. Это раньше делал отдельный человек со знанием обоих языков, и каждый отчёт занимал час. Сейчас — секунды, и точность переводов выше, потому что модель помнит весь корпус прошлых отчётов и не путается в терминах.

Под средней угрозой

Работа, требующая человеческого решения, но с большим объёмом подготовки:

• Аналитика данных (модель готовит, человек интерпретирует).
• Маркетинговые кампании (модель собирает черновик, человек выбирает оффер).
• Юридическая работа среднего уровня (модель ищет прецеденты, человек строит стратегию).

Здесь не «уволят», а «один человек заменит троих». Это уже происходит в крупных компаниях — World Economic Forum в Future of Jobs Report 2025 фиксирует, что 41% работодателей планируют сокращать штат под задачи, которые могут быть автоматизированы через ИИ [9].

Пока в безопасности

• Стратегические решения, где нужно учесть контекст, неочевидные данные и репутационные риски.
• Управление людьми и переговоры.
• Креатив верхнего уровня (не «написать пост в инстаграм», а «придумать новый продукт»).
• Любая физическая работа, где требуется тонкая моторика или нестандартная ситуация.

Простой тест на себе

Если хотите проверить, насколько вы заменимы в текущей роли:

1. Откройте VS Code или Cursor с подключённым Claude.
2. Опишите подробно одну вашу регулярную задачу: что приходит на вход, что должно быть на выходе, какие правила.
3. Попросите модель воспроизвести её на тестовых данных.

Результат скорее всего удивит. В половине случаев модель сделает приемлемо с первой попытки. Если задача формализуема, а ваш входной сигнал — текст или таблица — вы её уже не делаете руками, вы её операторите.

Почему бизнес всё равно пойдёт на замещение

Простой вопрос: зачем платить человеку, если задачу делает агент за $5 в месяц?

Внятного ответа нет. И никакие «нам важна команда» это не перевешивают, когда речь идёт о капитализации компании и марже.

Как это будет выглядеть в средней компании за 5–10 лет

Не «увольняют 70% сотрудников». Это сценарий из фантастики. Реальная картина — постепенное сжатие штата под рутинные функции и переориентация на агентную архитектуру:

• У каждого крупного отдела — 1–2 агента, обученных под конкретные процессы.
• Над агентами — 2–3 человека-оператора, которые ставят задачи, ревьюят выход, эскалируют исключения.
• Между отделами — агент-к-агенту коммуникация без участия людей.

Anthropic в декабре 2024 опубликовал «Building effective agents» [1] — фактический справочник инженерных паттернов: workflow-цепочки, маршрутизация, оркестратор–воркер, оценщик–улучшатель. Это уже не теория. OpenAI в 2025 выпустил Operator [3], а Anthropic — Computer Use [2]: модели, которые управляют компьютером пользователя как обычный человек. Через 2–3 года эта возможность будет в каждом корпоративном workflow.

В моей практике уже работают такие связки. У того же дистрибьютора УЗ-оборудования есть платформа учёта дилерских проектов на Node.js + Prisma с 55 endpoints — она агентно общается с pricing-системой, с трекером бюджетов, с трекером заявок. Когда дилер запрашивает скидку, цепочка проверок (есть ли действующий бронирование, какой регион, какая модель сканера, какой уровень дилера) проходит без участия людей. Менеджер только согласовывает финальный результат одной кнопкой.

Это работает уже сегодня. Не «через 10 лет».

Что из этого следует для собственника

Если у тебя в компании:

• Есть отдел из 5+ человек, занимающийся формализуемой рутиной (сводки, переводы, контроль, согласования).
• Есть повторяющиеся процессы между отделами с предсказуемой логикой.
• Есть накопленный корпоративный опыт в виде регламентов, инструкций, прошлых решений.

— то место для агента уже готово. Не «нужно ли», а «когда».

Подробнее про мою практику разработки таких систем — на странице услуги AI-системы.

Что будет делать государство

Любая технология, начинающая зарабатывать большие деньги и менять рынок труда, рано или поздно встречается с регулятором.

Мировой контекст

OpenAI и Anthropic уже сейчас публично обсуждают регуляторные риски в своих годовых отчётах. Логика государства простая:

• Эти компании зарабатывают десятки миллиардов и быстро растут.
• Государство живёт за счёт налогов.
• Значит, налоговая нагрузка на ИИ-индустрию будет повышаться.
• Стоимость API-доступа в долгосрочной перспективе вырастет.

Парадоксально, но удорожание моделей частично снизит панику замещения: если доступ к топовому LLM станет в 5 раз дороже, рутинная автоматизация на массовом рынке замедлится. Особенно с учётом того, что новое поколение reasoning-моделей вроде OpenAI o3 [8] уже стоит на порядок дороже базовых LLM в API.

Российский контекст

В РФ движение идёт в свою сторону. Отечественные LLM (GigaChat, YandexGPT) объективно отстают от Claude и GPT по качеству генерации, инструментам и стабильности. Это даёт ниши:

• Замещение в РФ случится позже, чем на Западе. Просто инструментов меньше, и доступ к топовым через прокси (OpenRouter, локальные deploy моделей с открытыми весами).
• Регуляторика придёт сверху: ограничения по тематикам, цензурирование, требования сертификации. Скорее всего по сценарию закона о персональных данных — мягкая фаза, потом резкое закручивание.
• Корпоративная автоматизация активно развивается уже сейчас, особенно в финтехе, ритейле, телекомах. Тут ИИ внедряется тише, чем на Западе, но интенсивно.

Что это значит для нас, операторов: окно возможностей в РФ открыто шире, чем на Западе, и закроется позже. У кого есть собственные системы на LLM сейчас — будут конкурентным преимуществом, когда массовое внедрение пойдёт в 2027–2028.

Куда денутся посредники

Это самая интересная часть. И самая болезненная для целых отраслей.

Сейчас

Большая часть классических бизнесов «соединить покупателя с продавцом» работает за счёт информационной асимметрии: туроператор знает рынок, ты не знаешь. Финансовый брокер знает условия, ты не знаешь. Биржа фрилансеров знает, кому делегировать задачу, ты не знаешь.

Эта асимметрия и есть их маржа.

Когда у каждого появится свой ИИ-агент

Сценарий уже не теоретический. Anthropic Computer Use [2] и OpenAI Operator [3] — модели, которые управляют компьютером пользователя как обычный человек. Через 2–3 года у каждого пользователя будет личный агент, способный:

• Ходить по сайтам, сравнивать предложения.
• Заполнять формы, делать брони.
• Платить через привязанный счёт.
• Координироваться с агентами других компаний.

И вот картина: ты говоришь своему агенту «спланируй мне поездку в Италию на октябрь, бюджет 200к, без перелётов с пересадками». Твой агент идёт к 5 туроператорам напрямую, их агенты выдают предложения. Твой выбирает лучшее, согласовывает с тобой одной кнопкой, оплачивает через финансового агента. На выходе — билеты, бронь отеля, расписание, страховка. Время цепочки — минуты. Комиссии — копейки, потому что нет цепочки людей-посредников.

Кто выживет

Бизнесы посредников выживут только если:

• Имеют уникальную экспертизу, которую сложно оцифровать. Не «мы знаем рынок отелей», а «мы 20 лет водим экспедиции в Гималаях и знаем, какой шерпа кому подходит».
• Создают реальную добавленную стоимость сверх простого «свести стороны». Не агрегатор, а курация с риском на себя.
• Встраиваются в новую инфраструктуру: запускают своих агентов, открывают API для других, становятся частью цепочки агент-к-агенту.

Тот же паттерн с pricing-monitor: я не «просто заменил подрядчика, который собирал данные». Я закрыл целый класс посреднической услуги — между сайтами дилеров и таблицей с ценами больше не нужен человек, который вручную ходит и копирует. Кейс с цифрами и архитектурой системы.

Что остаётся человеку: оцифровка опыта

Если рутина замещается, посредники сжимаются — что остаётся? Уникальный опыт. Но не сам по себе, а в формате, который умеет работать вместе с моделью.

Окно возможностей сейчас

Мы в редкой точке: инструменты ИИ перешли из фантастики в обыденность, при этом ещё слабо зарегулированы и относительно дёшевы. В России ситуация особенная: у части бизнесов этих инструментов нет вообще, у другой части — есть, но дорогие или непривычные.

В этих условиях впереди окажутся те, кто успеет оцифровать свои знания и опыт. Не «вот мои инструкции, читай», а превратить опыт в структурированный корпус, на котором ИИ-агент работает лучше, чем у конкурентов.

Именно так я строил RAG-ассистента по инструкциям УЗ-сканеров. Изначально были 1 000+ страниц технической документации на 7 моделей сканеров — мёртвый PDF-архив, которым никто не пользовался, потому что искать в нём долго. Я их разобрал, проиндексировал по правильной методике (chunks с перекрытием, эмбеддинги, hybrid-поиск), привязал к видеоинструкциям и завёл в Telegram-бот. Теперь у врача УЗД в кабинете есть личный ассистент, который отвечает за 5 секунд с цитатой и таймкодом видео. Сейчас у бота 2 000+ уникальных пользователей и 300–500 запросов в месяц.

С точки зрения дистрибьютора это работает как экспертиза, которая масштабируется без меня. Мне не надо отвечать каждому врачу лично. Знания компании теперь работают 24/7. Полная архитектура подобной системы — в моей отдельной заметке про построение RAG-ассистента.

Соревнование сместится на уровень моделей

Если раньше конкурировали за «кто лучше настроил рекламу руками» — теперь будут конкурировать за «у кого лучшая модель настраивает рекламу». Чем уникальнее знания в модели, тем сильнее агент, тем выше плата за доступ к нему. Чемпионат между моделями — это не метафора, это уже формат специализированных бенчмарков: SWE-bench [6] для софт-инженеров, GAIA [7] для general assistants, HumanEval, MMLU и десятки других. На каждом из них ведущие лаборатории борются за десятые доли процента.

Что это значит для специалиста уже сейчас

• Перестать конкурировать с ИИ в скорости и объёме — вы проиграете.
• Начать собирать собственный опыт: процессы, чек-листы, разборы сложных кейсов, ход мысли в нестандартных ситуациях.
• Учиться передавать эти знания моделям — это новая профессиональная грамотность, как когда-то умение пользоваться Excel.
• Развивать то, что модель пока не закрывает: стратегическое мышление, переговоры, вкус, способность выбирать что вообще делать.

Заключение: что делать собственнику прямо сейчас

Если суммировать:

• ИИ — не хайп. Это новая платформа, сравнимая по влиянию с появлением интернета.
• Замещение неизбежно для рутинных функций, и это вопрос лет, не десятилетий.
• Бизнес пойдёт в агентную архитектуру, потому что экономика не оставляет выбора.
• Государство включится. Налоги, регулирование, удорожание моделей — нормальный этап.
• Посредники без добавленной стоимости исчезнут. Их место займут цепочки агент-к-агенту.
• Конкурентное преимущество человека и компании — в уникальных знаниях, оцифрованных и встроенных в систему.

Конкретные шаги на ближайшие 90 дней

1. Сядьте и попробуйте сами. VS Code, Cursor, Claude, ChatGPT. Не «прочитал статью» — сделайте одну реальную задачу через модель. Это критично, чтобы перестать спорить с реальностью.
2. Найдите 1 рутинный процесс в компании, который занимает у людей часы и хорошо формализуется. Сделайте по нему пилот. Не пытайтесь «автоматизировать всё» — проиграете в сложности.
3. Начните оцифровывать корпоративную экспертизу, пока не сделали другие. Регламенты, инструкции, разборы прошлых проектов — всё это может стать корпусом для будущего ассистента.
4. Если в команде нет инженера, который умеет с LLM — найдите. Без операторского контроля автоматизация не взлетает, агенты выходят сырыми.

Я этим занимаюсь как раз — собираю AI-системы для B2B-компаний, у которых уже есть команда, процессы и накопленная экспертиза, но нет рук на инженерную часть. Если читаете это и думаете «у нас тоже есть процессы под автоматизацию» — пишите в Telegram @dim_osi. Первый разговор бесплатный, скажу честно, есть ли смысл начинать прямо сейчас или подождать.