Итоги 2025 в AI: прорывы, которые сдвинули индустрию, и ставки на 2026

Если смотреть на 2025‑й через призму хайп‑заголовков, год прошёл под лозунгом “ещё один модельный релиз, ещё один демо‑ролик”. Но когда я сел подбивать личные итоги, оказалось, что в памяти остаются совсем другие вещи: не самые громкие анонсы, а те сдвиги, которые поменяли мою рутину, ожидания от инструментов и саму планку “что вообще нормально просить от AI”. В этой статье я сознательно не делаю обзор “топ‑новостей”, а собираю то, что, по ощущениям, реально двинуло практику вперёд: технологии, которые создали новый класс задач, дали ощутимый экономический эффект, принесли свежий UX и главное — оказались воспроизводимыми, а не разовыми фокусами на конференциях.

Пишу это как практик, который весь год жил внутри этого зоопарка моделей, железа, агентных воркфлоу и регуляторных новостей. Отбор тут предельно субъективный и намеренно основан на личном опыте применения: что упростило повседневную работу, за что хотелось добровольно платить, какие штуки я советовал друзьям, коллегам и даже родителям, а какие — благополучно забыл через неделю. Где‑то меня зацепил новый UX, где‑то — эффект масштаба, где‑то — ощущение, что “вот это уже база, а не игрушка”. Именно из таких кусочков и сложился мой 2025‑й.

Верхняя планка моделей 2025

Если упростить картинку года до одной оси, то это будет ось “какую модель ты по умолчанию открываешь, когда надо сделать что‑то неигрушечное”. В 2025‑м эта верхняя планка сильно сместилась: стало нормально ожидать не просто “умный чат”, а стабильную скорость, длинные цепочки рассуждений, адекватный код и отсутствие внезапных провалов посреди задачи. По ощущениям, именно вокруг нескольких флагманов сформировалось новое представление о том, что вообще считать “нормальной” работой искусственного интеллекта в повседневной разработке и жизни.

GPT‑5.1: модель на повседнев

Для меня конец 2025‑го — это время, когда GPT‑5.1 стал чем‑то вроде опорной точки: хочешь понять, “хорошо ли это работает” — невольно сравниваешь с ним. Модель задаёт планку и по качеству длинных рассуждений, и по скорости, и по тому, насколько предсказуемо она ведёт себя в сложных задачах — от архитектурных обсуждений до аккуратного рефакторинга кода.

Ноябрь и декабрь я практически живу в режиме GPT‑5.1 Thinking: это мой ежедневный рабочий инструмент, к которому рука тянется первой. Мне нравится сочетание его стиля — спокойного, структурированного — с тем, как быстро он отвечает и насколько редко “сыпется” на середине сложной цепочки действий. В какой‑то момент ловишь себя на мысли: если другая модель ведёт себя заметно хуже, это уже не “ну она тоже неплохая”, а “почему я вообще должен это терпеть, когда есть 5.1”.

Да, уже доступна GPT‑5.2, но за первые две недели после её релиза я так и не смог для себя понять, чем она практически лучше GPT‑5.1. При том что цена выше на 40%: $1.25/$10.00 против $1.75/$14.00, разница в ощущениях пока не отбивает разницу в счёте.

Gemini 3: ставка на скорость и ощущение присутствия

Если GPT‑5.1 задаёт планку “как должно быть по качеству”, то Gemini в этом году агрессивно претендует на звание чемпиона по скорости и ощущению “живого” отклика. Важный сдвиг: когда ответ приходит почти мгновенно, общение с моделью перестаёт быть чем‑то вроде “формы обратной связи” и превращается в интерактивный контур — ты меняешь запросы, правишь код, двигаешься маленькими шагами, а не пишешь простыни текста и ждёшь чудо.

Я активно пользовался Gemini 2.5 Flash и 2.5 Pro с момента релиза в конце марта: писал с их помощью код, просто общался, гонял разные идеи — и в этот период они казались очень удачным балансом скорости и качества. Но осенью почувствовался резкий спад: модель всё чаще путалась, особенно в агентных сценариях для написания кода, где нужно не одноразовое “додумать функцию”, а целая последовательность действий с файлами и контекстом. С выходом Gemini 3 в декабре хочется сознательно дать экосистеме второй шанс и походить с ней как с основной: для меня это главный конкурент GPT‑5.1 Thinking в роли модели “на повседнев”. При этом Gemini 2.5 Flash Lite по‑прежнему остаётся у меня моделью номер один, когда нужно быстро перегнать через себя большие объёмы информации и получить внятную саммари без лишнего ожидания.

Claude 4.5: модель как полноценный участник процесса разработки

Claude 4.5 чётко обозначил другую линию конкуренции: не просто “написать кусок кода”, а встроиться в рабочие цепочки — планирование, внесение изменений, аккуратные итерации над проектом. Это уже не “чат, который помогает”, а компонент процесса: ты отдаёшь ему задачу, он предлагает план, последовательно выполняет шаги, фиксирует артефакты и возвращается, когда нужно переосмыслить архитектуру.

Судя по обсуждениям на Reddit и отзывам разработчиков, именно Claude Sonnet 4.5 многие сейчас называют лучшей моделью для написания кода. В связке с Claude Code это действительно ощущается как ультимативный инструмент: одно дело — получить разовый сниппет, другое — когда система сама ведёт тебя по проекту, меняет файлы, проверяет гипотезы. Проблема только в том, что за этот уровень “магии” приходится платить: из‑за высокой стоимости я не могу полностью пересесть на Claude для всего кодинга и использую его точечно, в основном в режимах планирования и сложного анализа, где каждый запуск действительно стоит своих денег.

Локальные модели: практичный мир open‑weight

2025‑й стал годом, когда экосистема открытых весов перестала быть чисто экспериментальной игрушкой для энтузиастов. Возможность запустить модель локально и контролировать данные и инфраструктуру стала вполне рабочей альтернативой, а не экзотикой для тех, кто любит страдать с драйверами. И главное — речь уже не только о текстовых моделях: в игру всерьёз вошли голос (tts/stt) и эмбеддинги, которые используются как отдельные строительные блоки в продуктах.

На этом поле заметны gpt‑oss, Qwen3, Gemma 3, Llama 4 — вокруг них формируются целые стеки для частных установок и гибридных сценариев “облако + локально”. Одной из самых популярных моих статей в этом году стала как раз заметка про запуск LLM на своём железе, где я разбираю варианты конфигураций и компромиссы по качеству и скорости. Эта тема мне до смешного нравится: есть что‑то очень правильное в ощущении, что у тебя под столом стоит персональный “интеллектуальный ускоритель”, который не зависит от настроения внешних сервисов и регуляторов.

Китайские модели: давление на качество и цену

Отдельная линия — китайские модели, которые в 2025‑м заметно усилили давление и на качество, и на стоимость вычислений. DeepSeek 3.2, Qwen3, Kimi k2, MiniMax M2, GLM 4.7 — это уже не “региональные альтернативы”, а серьёзные игроки, из‑за которых командам приходится заново пересматривать стратегию “строить своё” против “использовать готовое”. Когда у тебя есть доступные по цене и приличные по качеству модели, расчёт экономики продукта меняется очень резко.

Хайп вокруг DeepSeek r1/v3 в январе стал для России почти культурным моментом: про нейросети узнали люди, которые до этого максимум слышали слово “чат‑бот”. Важная деталь — модель бесплатна и не требует обходных путей, поэтому на её примере сейчас проводят мастер‑классы и внутренние курсы на предприятиях, объясняя сотрудникам, как вообще работать с такими инструментами. Я сам именно DeepSeek советовал родителям как входную точку в мир нейросетей: низкий порог входа и отсутствие танцев с бубном вокруг доступа сильно помогают, когда человек только начинает осваивать этот новый слой реальности.

Мультимодальность, видео и наука

В какой‑то момент в 2025‑м стало ощущаться, что “просто чат с текстом” — это уже вчерашний день. Если в первом акте мы говорили про верхнюю планку качества ответов, то дальше интересное начинается там, где модели перестают быть чисто текстовыми и начинают видеть, слышать и моделировать мир — от коротких роликов до белковых структур. И тут внезапно выяснилось, что главное событие года — не отдельная демка, а то, что из этого всего можно собрать стабильные производственные процессы.

Sora 2 и Veo: видео становится взрослым

Видео‑генерация в 2025‑м наконец вылезла из подросткового возраста, когда все радуются разовому “вау”, но толком не могут повторить результат два раза подряд. Теперь ключевая измеримая вещь — не только красота ролика, а то, насколько предсказуемо модель ведёт себя в серии задач: рекламные вставки, объясняющие ролики, обучающие видео, где важна чистота кадра, стабильность персонажей и управляемость сюжета.

На релизе Veo 3 в июне я сам устроил себе небольшой научный эксперимент с собственным кошельком: за один вечер спустил около двухсот евро в Vertex AI, просто пробуя разные промпты и сценарии. Чувство было очень двояким: с одной стороны — “дороговато за вечер игры”, с другой — впервые появилось ощущение, что это уже не магия для презентации, а инструмент, из которого можно собрать реальный конвейер по выпуску видео. Потом на сцену вышла Sora 2, и OpenAI фактически сделал аналог тиктока, но для сгенерированных роликов — лента, по которой можно бесконечно листать синтетическое видео. Интернет в какой‑то момент просто утонул в мемах про бабку‑перекупщицу: миллионы людей смотрели эти ролики не потому, что “о, это нейросеть!”, а потому что это просто забавно и работает как обычный контент. В этот момент лично у меня щёлкнуло: если зрителю уже всё равно, как это сделано, значит технология действительно добежала до “взрослой” стадии.

Изображения: от мемов к производству

С картинками история похожая, но ещё более приземлённая. Эпоха “шесть пальцев и расплавленные лица” осталась в прошлом: в 2025‑м генераторы изображений переехали из области развлечений в сферу нормальной рабочей рутины. Важным стало не то, насколько “красиво” модель умеет нарисовать дракона на фоне туманности, а то, насколько можно контролировать результат: дописать текст на баннере, аккуратно заменить объект, перерисовать обложку в том же стиле, что и вчера.

У меня эта эволюция прошла очень утилитарно: во второй половине года нужно было массово делать иллюстрации для статей в блог, и я плотнее занялся генерацией. Сначала активно пользовался Imagen от Google — он давал весьма приличное качество, если немного потерпеть капризы промптов. Но по‑настоящему я влюбился в GPT Image: он рисовал именно так, как мне нужно, без постоянной борьбы за адекватный стиль и детализацию. Параллельно случился качественный скачок в возможностях: модели научились уверенно печатать текст прямо на изображении, редактировать уже существующие картинки, сохранять стиль от итерации к итерации. В конце года подъехали Nano Banana Pro и GPT Image 1.5, которые выдают такой уровень качества, что для множества задач уже не возникает вопрос “генерировать или заказывать иллюстратору”.

Мультимодальные модели: понимают лучше, чем бывшая

Когда текст, изображения, звук и видео сходятся в одном интерфейсе, меняется не только удобство, но и сама модель использования. Во второй половине 2025‑го уже почти не удивляет, что в одну и ту же систему можно отправить документ, голосовую заметку, фотографию, скриншот экрана или ролик, а она всё это переварит. В какой‑то момент ты перестаёшь думать “это для текста, а это не для текста” и начинаешь воспринимать модель как универсальный интерфейс к задачам вокруг тебя.

Очень показательный маркер — короткие видео в соцсетях, где люди решают бытовые, но совсем не игрушечные проблемы через “зрение” модели: меняют масло в машине, собирают сложную мебель, чинят проводку, используя режим Vision в приложении ChatGPT, который буквально ведёт их по шагам. Это не про “оценку картинки”, а про связку “вижу → понимаю контекст → подсказываю, что делать дальше”. Я отдельно разбирал этот сдвиг в статье про мультимодальный AI: там хорошо видно, как продукты постепенно перестают крутиться вокруг окна чата и начинают проектироваться вокруг схемы “модель видит мир и делает действия”.

AlphaFold 4 и модели для науки: за пределами офисных задач

На фоне всей этой красоты с картинками и видео легко забыть, что в 2025‑м параллельно формировался ещё один, менее шумный, но куда более фундаментальный фронт — модели для науки. История с AlphaFold 4 и другими системами этого класса важна не потому, что они “тоже что‑то предсказывают”, а потому что они радикально ускоряют цикл гипотез, экспериментов и исследований в биологии, химии, материаловедении. Там, где раньше учёные неделями ждали результаты моделирования или перебирали варианты в лаборатории, теперь значительная часть работы переезжает в интерактивный диалог с моделью.

Я подробно разбирал эту тему в статье про то, как LLM меняют фундаментальную науку. Меня сильно вдохновило интервью Андрея Дороничева: он с таким огнём в глазах рассказывал о стартапах на стыке науки и медицины, что становится ясно — это не просто ещё один рынок, а шанс очень буквально улучшить качество жизни миллионов людей. И в этом смысле 2025‑й запомнился не только как год мультимодальных мемов, но и как момент, когда искусственный интеллект всерьёз занял место в лабораториях и исследовательских центрах, расширив картину далеко за пределы “контента и офисной рутины”.

Инженерная кухня: агенты, устройства и железо

После всего разговора про мультимодальность и научные модели становится видно: магия заканчивается там, где начинается инженерия — конкретные воркфлоу, ограничения и то самое железо, которое либо тянет всё это, либо нет. Именно здесь в 2025‑м для меня случился главный сдвиг: ИИ перестал быть “местом, куда заходишь по настроению”, и превратился в нормальный рабочий слой — в терминале, в IDE, в телефоне и под столом в виде системного блока.

Агенты‑разработчики: вайбкодинг как новая норма

Для меня слово года в разработке — “вайбкодинг”. После статьи Вастрика я окончательно перестал писать код в веб‑чате и переехал в инструменты, живущие прямо рядом с репозиторием. Вместо того чтобы объяснять модели задачу по кускам в браузере, гораздо приятнее смотреть, как она работает в том же пространстве, где и ты: в консоли, в редакторе, в реальном проекте.

После этого щёлкнуло очень быстро: Cline, Aider, Cursor и прочие подобные штуки стали не экспериментом, а основной точкой входа в работу. Сейчас где‑то 80% кода я пишу через Kilo Code или Claude Code: формулирую цель, смотрю на предложенный план, даю агенту пройтись по шагам и уже потом руками дорабатываю важные места. Это радикально ускоряет итерации, сейчас написание кода стало настолько быстрым и дешевым, что вместо исправления уже написанного агентом кода гораздо легче попросить его переписать все заново. В итоге агенты‑разработчики ощущаются не как “автопилот”, а как ещё один член команды, которому всё равно нужен код‑ревью и правила игры.

Интеллект на устройстве: Apple, Android и жизнь без облака

Параллельно весь год крепло ощущение, что второй важный фронт — это прямо в устройстве (on device ai). Когда часть логики работает локально, вылезают сразу три плюса: меньше задержка, лучше приватность и ощущение, что это не отдельный сервис, а естественная функция системы.

У меня за год в руках успели побывать Google Pixel 8 Pro, Galaxy S24 Ultra и iPhone 16 Pro, и на каждом я по максимуму выкручивал все “умные” фичи. На Android это всё пришло раньше и выглядело более органично: встроенные помощники, умное редактирование изображений и видео, локальные сценарии — ощущение, что ИИ действительно вшит в платформу. Apple двигается осторожнее, но явно ускорилась: компания по сути признала, что в одиночку не вывезет, и начала сотрудничать то с OpenAI, то с Google, чтобы подтянуть Siri и системные сценарии до нового уровня ожиданий. В 2025‑м обсуждать телефон, не затрагивая его “умные” возможности и гибридный режим “локально + облако”, уже выглядит странно.

Железо: почему RTX 5090 важнее ещё одной демки

И наконец, тихий, но ключевой герой года — железо. Именно оно определяет, сможете ли вы реально гонять большие модели локально, тянуть мультимодальные пайплайны и сложных агентов — или останетесь в роли “тонкого клиента” к чужому облаку, как бы красиво ни выглядели демки на конференциях. Разрыв между тем, что модель умеет на слайдах, и тем, что команда может запустить в проде, часто объясняется не отсутствием таланта, а простым фактом: у вас нет нужного класса видеокарт, объёма памяти и дисков, чтобы это всё вообще взлетело.

В этом году я собрал себе рабочую станцию под локальный запуск ИИ‑моделей — и очень быстро почувствовал, где настоящая боль: дело не только в топовых GPU уровня RTX 5090, но и в том, сколько памяти и диска требует “нормальный” стек для работы с моделями. К декабрю стало видно ещё одно неприятное ускорение: цены на RAM и SSD подросли в 3-4 раза, так что “докинуть пару терабайт и планок” перестало быть безобидным апгрейдом и превратилось в ощутимое решение, которое приходится закладывать в бюджет так же серьёзно, как выбор модели. Если вам интересна архитектура чипов, я уже нырнул в эту кроличью нору и собрал всё в отдельную статью. После такого погружения начинаешь смотреть на облачные счета и домашние сборки как на части одного уравнения: стоимость интеллекта начинается не в тарифах на API, а в том, сколько мегабайт, гигабайт и ватт ты готов этому интеллекту отдать.

Экономика и правила игры

Падение цен: когда “интеллект” становится по умолчанию

За 2025‑й у меня в голове окончательно переключился тумблер: “интеллект в продукте” больше не выглядит как премиальная фича, за которую нужно извиняться перед финансовым директором. Стоимость вызовов до флагманских моделей и, главное, появление облегчённых линеек сделали нормой сценарий, где ИИ крутится не только “по праздникам”, а постоянно в фоне — от саммари логов до автопроверок пайплайнов.

Крупные игроки разложили линейки по ярусам: есть тяжёлые флагманы для сложных задач и рядом — более дешёвые варианты с приставками вроде Flash, mini, nano, которые позволяют очень бюджетно закрывать рутину. Китайские модели изначально заходят с более низкими ценами при приличном качестве, и это создаёт реальную конкуренцию: когда ты считаешь стоимость миллиона запросов, выбор движка перестаёт быть “религиозным” и превращается в чистую продуктовую математику. В итоге в архитектуре всё чаще появляются несколько уровней: “дорогой мозг” для сложного и “массовый рабочий класс” моделей, к которому не страшно ходить тысячу раз в час.

Для меня это всё вылилось в очень простой практический эффект: стало морально допустимо запускать больше фоновых процессов, больше проверок, больше автоматизации “по умолчанию”. Ты уже не думаешь “жалко токенов”, а думаешь “как сделать так, чтобы ИИ‑слой тихо отрабатывал за кулисами и улучшал метрики продукта, а не мешал”.

Регулирование: из мемов про AI Act в инженерную рутину

В 2023–2024 мы про регулирование в основном шутили: “в Европе опять придумали, как всё запретить”, “в США всех спасёт NIST и слайды про ответственность”. В 2025‑м картинка стала чуть прозаичнее: регулирование начало сползать в область инженерной рутины — логирование, хранение данных, объяснимость, маркировка контента, обучение сотрудников. Ниже — совсем краткий срез по четырём регионам, в которых нам, как русскоязычной аудитории, приходится жить и работать умозрительно или физически.

• Европа (EU AI Act). В 2024–2027 годах AI Act поэтапно превращается в единый правовой каркас для всех стран ЕС: регламент формально вступил в силу в августе 2024‑го, первые запреты и общие положения начали применяться с февраля 2025 года, а основные требования для высокорисковых систем и связанных продуктов растягиваются до 2026–2027 годов. Для компаний это не один «день X», а серия дедлайнов под разные классы систем и роли в цепочке поставки. Параллельно разворачивается европейский AI Office и детализируется надзор за моделями общего назначения: их обязательства начали работать с августа 2025‑го. Поверх этого Комиссия наращивает soft‑layer — подзаконные акты, стандарты и добровольные кодексы, вроде драфта кодекса по маркировке и пометкам ИИ‑сгенерированного контента, опубликованного в декабре 2025 года. Для продуктовых команд это означает переход в режим обязательной документации, риск‑менеджмента и формализованной прозрачности, а не «мы тихо прикрутили модель и никому не сказали».

• США. На федеральном уровне центр тяжести по‑прежнему в исполнительной власти: в октябре 2023 года появился широкий Executive Order 14110 про «safe, secure and trustworthy» разработку и использование ИИ, который раздал поручения агентствам и зафиксировал рамку вокруг безопасности, прав человека и нацбезопасности. В 2025‑м линия продолжилась новыми указами, включая декабрьский акт о национальной политике в области ИИ, который пытается задать общую федеральную рамку и ограничить расхождения между штатами, но делает это через исполнительную власть, а не через единый закон. Перевожу: полноценного «американского AI Act» всё ещё нет, но вокруг быстро нарастает слой требований к оценкам рисков, отчётности и взаимодействию с регуляторами, особенно в чувствительных областях — от медицины и критической инфраструктуры до выборов.

• Китай идёт, пожалуй, самым «командно‑административным» путём: 15 августа 2023 года вступили в силу Временные меры по управлению сервисами генеративного ИИ, которые детально расписывают обязанности провайдеров — от требований к обучающим данным и модерации контента до обязательной маркировки сгенерированных материалов и процедур надзора. В 2023–2024 годах регуляторы дополнили это проектом национального стандарта по базовым требованиям безопасности для сервисов генеративного ИИ, который описывает технические и организационные меры и постепенно оформляется в полноценный стандарт. Для крупных игроков это уже не «эксперимент на песочнице», а строго лицензируемая и проверяемая деятельность, где модели развиваются в связке с обязательными фильтрами, аудитами и встроенными предохранителями.

• Россия пока идёт по пути мягкого, «гибридного» регулирования: вместо единого жёсткого закона об ИИ — национальная стратегия развития искусственного интеллекта до 2030 года, концепции ответственного использования и точечные поправки в профильные законы (о персональных данных, информации, здравоохранении и др.). Поверх этого нарастают мягкие инструменты — отраслевые стандарты, кодексы, методические рекомендации и элементы саморегулирования, в том числе вокруг генеративного ИИ, что позволяет формировать режим через комбинацию «hard law» и «soft law» без мгновенного удушения отрасли. Для практиков это означает знакомый ландшафт: формально пространство для экспериментов широкое, но неопределённость высокая — правила могут донастраиваться постфактум, особенно в зонах персональных данных, авторских прав и ответственности за ошибки моделей.

Прогноз на 2026

Если собрать весь мой 2025‑й в одну картинку, то дальше напрашиваются не абстрактные “AI изменит всё”, а довольно приземлённые ставки — про режимы работы, инженерный контур и то, где интеллект станет просто фоном.

1. Deep Research как дефолт для сложных задач

Всё, что похоже на серьёзное расследование — от ресёрча по рынку до технического разбора противоречивых источников, — в 2026‑м уедет в режимы класса Deep Research. Компании уже явно выделяют это в отдельную линию развития: в веб‑интерфейсах Gemini, ChatGPT и Perplexity появляются специальные режимы глубокого исследования, которые запускают не один ответ модели, а многошаговый цикл поиска, чтения, сравнения и сборки отчёта.

Моя ставка в том, что именно это направление будут целенаправленно развивать и доводить до всё более объективного и проверяемого состояния. Пользователей всё меньше устраивает “умный” ответ без подтверждений: хочется видеть, какие источники использованы, где они друг другу противоречат и почему итоговый вывод выглядит именно так, а не иначе. Поэтому глубокие, прозрачно собранные ответы с понятной опорой на внешние материалы станут стандартом там, где на кону деньги, репутация или стратегические решения, а простой “чат с ИИ” останется инструментом для быстрых, нерискованных вопросов.

2. Код: от “чата рядом” к среде, где ИИ — член команды

Вторая ставка — 2026 станет годом, когда инструменты для написания кода окончательно сместятся от модели “чат рядом с IDE” к полноценной среде, где ИИ — полноправный участник команды разработки.
Сверху на этом появятся AI‑first паттерны и фреймворки, которые изначально проектируют код под совместную работу “человек + агент”: спецификации как исходная правда, пошаговое планирование, разбиение на задачи, которые может выполнять агент.

GitHub Spec Kit уже выглядит как зачаток такого подхода: это открытый набор инструментов, где сначала формируется спецификация и план, а затем агенты выступают исполнителями. Cursor 2.0 движется в том же направлении, превращая “вайбкодинг” в более структурированный совместный процесс, где ИИ не просто дописывает куски, а живёт внутри цикла “спека → план → задачи → реализация”. При этом пользователь может вообще не взаимодействовать с кодом, а только общаться с агентом в чате.

3. Озвучка и перевод видео как заводская операция

Третья ставка — в 2026 озвучка и перевод видео окончательно превратятся из вау‑демо в будничную конвейерную операцию для креаторов, прежде всего на платформах вроде YouTube. Уже сейчас платформа умеет автоматически дублировать ролик на другие языки: ты выкладываешь видео на русском, а система сама докручивает английскую и испанскую дорожку, расширяя аудиторию практически без дополнительных усилий.

Но в текущем виде это скорее “автоматический бонус”, чем профессиональный инструмент: не твой голос, не твоя интонация, местами артефакты и мало контроля над качеством. Моя ставка в том, что в 2026 фокус сместится от просто “авто‑дубляжа” к доступным инструментам для самих авторов: чтобы можно было в пару кликов получить дубляж на несколько языков своим голосом, с сохранением манеры речи, темпа и возможности всё это отредактировать. Тогда “сделать ролик” и “масштабировать его на новые языки и рынки” окончательно сольются в один нормальный продакшен‑пайплайн, а рост охвата станет таким же обязательным шагом, как сейчас экспорт проекта из монтажки.

4. Побеждает инженерный контур, а не секретный промпт

Четвёртая ставка звучит почти скучно, но зато честно: в 2026 выигрывать будут не те, кто находит “секретный промпт”, а те, кто выстроил нормальный инженерный контур вокруг моделей.
Контекст, память, инструкции, ограничения, проверки, повторяемость — вот эта вся нудная, но взрослая часть, про которую я отдельно писал в статье про контекст‑инжиниринг.

Это самый честный способ улучшать качество, не ожидая “ещё более умную модель”: ты улучшаешь вход и процесс, автоматизируешь проверки, нормализуешь данные и логирование, а не сидишь в чате в поисках магической формулировки. В какой‑то момент станет просто стыдно сводить “работу с ИИ” к обмену промптами в Telegram‑боте, когда вокруг уже есть полноценные практики инженерии подсказок, памяти и валидации.

5. Разнос задач по слоям и интеллект, спрятанный в устройства

Пятая ставка — окончательное расслоение задач по “калибру” моделей.
Большие модели останутся инструментом для сложных, редких и ответственных задач, где важно качество рассуждений и сложная мультимодальность. Локальные модели на 1–3B параметров тихо заберут повседневные, приватные, дешёвые и быстрые сценарии — от подсказок на устройстве до локальных агентов, о существовании которых пользователь даже не всегда знает.

Рынок будет всё активнее прятать интеллект “внутрь железа”: в телефоны, ноутбуки, роутеры, умные колонки, хабы умного дома. Логичный шаг — появление домашних центров управления с встроенной локальной моделью: хаб, который сам умеет координировать устройства, помнить привычки семьи и при этом не сливает каждое действие в облако.

Контр‑ставка: полностью автономный ИИ не станет массовым

И отдельно — контр‑ставка, которая, как мне кажется, важнее всех предыдущих.
Полностью автономные системы без человеческого контроля в 2026‑м не станут массовыми не потому, что “модели слабые”, а потому что цена ошибки и юридическая/репутационная ответственность растут быстрее, чем удобство.

Отсюда и основной вектор: ключевой рынок на 2026‑й — не “убрать человека из контура”, а “сделать человеческий контроль дешёвым, встроенным и по возможности автоматизированным”. ИИ берёт на себя объём и рутину, а человек остаётся тем, кто задаёт рамки, принимает риск и в нужный момент может нажать стоп.

Заключение

Для меня всё, что случилось с моделями, железом и регуляцией в 2025‑м, — это не гонка за сверхразумом, а смена гравитации: экспериментальные игрушки для гиков превратились в нормальную инфраструктуру, на которой уже держится работа и быт. Многие из тем, которые мы прошли по ходу статьи, я уже проживал в виде отдельных текстов — про локальные модели, мультимодальность, агентов и память — и каждый раз ловил одно и то же ощущение: мы живём в эпоху маленьких, но воспроизводимых улучшений, которые можно разворачивать снова и снова.

Главный урок 2025‑го для меня простой: выигрывает не тот, у кого модель “умнее”, а тот, кто превращает эту умность в устойчивые процессы и умеет честно платить за ошибки. В мире, где искусственный интеллект постепенно становится новым электричеством, самый интересный вопрос на 2026‑й звучит так: кем мы выберем быть в системе, где по умолчанию умным становится всё вокруг, кроме нас.

Оставайтесь любопытными.