Генеративный ИИ и ИИ-агенты: новейший опыт

1. Как устроены большие языковые модели (без математики)
2. Хронология 2022–2026: от ChatGPT к агентам
3. Ландшафт моделей: закрытые, открытые, российские
4. Сценарии применения в бизнесе и измеримые эффекты
5. ИИ-агенты: определение, архитектура, протоколы
6. Экономика генеративного ИИ: стоимость, окупаемость, риски
7. Регулирование и ответственность
8. Прогноз до 2030 года

После лекции студент сможет:

Предсказание следующего слова, ставшее универсальным инструментом

1. Данные — Сбор и фильтрация корпуса; лицензирование контента; синтетические данные
2. Предобучение — Недели на тысячах GPU; стоимость — десятки и сотни миллионов долларов
3. Выравнивание — Обучение следовать инструкциям и правилам безопасности
4. Инференс — Ответ на запрос пользователя; основная статья текущих затрат
5. Интеграция — RAG, инструменты, агенты, встраивание в продукты

Обучение — капитальные затраты немногих компаний; инференс — операционные затраты всех, кто использует модели.

1. Токен — Единица текста (≈ 0,75 слова); модели тарифицируются за токены на входе и выходе
2. Контекстное окно — Сколько текста модель «видит» за раз: от тысяч до миллионов токенов — целые книги и базы документов
3. RAG — Поиск по своим документам + генерация ответа: способ дать модели знания компании без дообучения
4. Дообучение (fine-tuning) — Адаптация модели под стиль и задачи компании на собственных примерах
5. Мультимодальность — Модель принимает текст, изображения, аудио, видео и выдаёт их же
6. Рассуждение (reasoning) — Модель «думает» цепочкой шагов перед ответом; дороже, но точнее в сложных задачах

• Галлюцинации: модель уверенно выдумывает факты, цифры, ссылки — обязательна проверка в ответственных сценариях (юриспруденция, финансы, медицина)
• Знания ограничены датой обучения; актуальность обеспечивают поиск и RAG
• Недетерминированность: один и тот же запрос может дать разные ответы — сложно тестировать
• Уязвимости: инъекции промптов, утечка данных через модель, манипуляция агентами
• Стоимость и задержка: рассуждающие модели и длинный контекст дороги; экономика «тяжёлых» сценариев требует расчёта
• Смещения и этика: модели воспроизводят предвзятость данных; ответственность за решения остаётся на человеке

Четыре года, изменившие представление о возможностях ИИ

2023

GPT-4, Claude, Llama (открытые веса), GigaChat, YandexGPT; копилоты Microsoft

2024

Мультимодальность (речь, видео); AI Act ЕС; Sora, генерация видео

2025

ИИ-агенты в продуктах; протокол MCP; агентная разработка ПО

2026

Массовые агентные внедрения, конкуренция за «ассистента по умолчанию»

За четыре года — от чата, отвечающего на вопросы, к рассуждающим моделям и агентам, выполняющим задачи в реальных системах.

период удвоения длины задач, которые ИИ-агенты выполняют автономно (оценка METR, 2025)

Источник / оценка: Отчёты компаний, Epoch AI, METR, Stanford AI Index 2025; оценки округлены

Одновременно два тренда: стремительное удешевление «единицы интеллекта» и рекордные инвестиции в инфраструктуру. Это и есть источник дискуссии о «пузыре ИИ».

Где эффект измерен, а где — пока ожидания

1. Клиентский сервис — ИИ-операторы решают 50–80 % типовых обращений; помощник живому оператору повышает производительность на 14–35 % (исследование Brynjolfsson и др., 2023)
2. Разработка ПО — Генерация, ревью, тесты, миграции; агентные среды пишут значительную долю кода в ИТ-компаниях
3. Маркетинг и контент — Тексты, изображения, видео, персонализация в масштабе; A/B-тесты за часы
4. Документы и знания — Договоры, нормативная база, регламенты: поиск, суммаризация, проверка; юридические и финансовые отделы
5. Аналитика — Запросы к данным на естественном языке, автоматические отчёты, интерпретация дашбордов
6. HR и обучение — Подбор, онбординг, персональные тренажёры, ИИ-тьюторы

Контролируемые эксперименты 2023–2025 (оценки)

% прироста производительности

Прирост производительности на задачах — от 14 % до 55 %.

Источник исходной лекции: Peng et al. 2023; Noy & Zhang 2023; Brynjolfsson et al. 2023; Dell'Acqua et al. 2023; округлено

• Наибольший эффект — у менее опытных сотрудников: ИИ «подтягивает» к среднему
• На задачах за пределами компетенции модели качество падает (эффект «рваной границы»)
• Эффект на уровне задач не равен эффекту на уровне компании — нужна перестройка процессов
• Российские данные (Сбер, Яндекс, T-Банк) сопоставимы по порядку

Кейс

КЕЙС

Российский банк: ИИ-ассистент в поддержке

Обобщённый кейс на основе публичных данных Сбера, Т-Банка, ВТБ

• Уход иностранных сервисов и санкционные ограничения на чипы ускорили создание собственных моделей: GigaChat, YandexGPT, T-Pro, Cotype
• Крупнейшие внедрения — в банках, телекоме, ритейле, госсекторе: ИИ-ассистенты для граждан на Госуслугах, генерация документов, поддержка
• Модели встроены в экосистемы: Алиса AI в Яндекс Плюс, GigaChat в Салют и продуктах Сбера
• Кодекс этики ИИ (2021) и добровольные обязательства; обсуждение маркировки контента и ответственности
• Ограничения: доступ к GPU, отставание от фронтира в 1–2 поколения, дефицит специалистов; преимущества — русскоязычные данные и госзаказ

От ответов на вопросы к выполнению задач

1. Восприятие — Получение цели, контекста, данных из систем
2. Планирование — Декомпозиция задачи, выбор инструментов
3. Действие — Вызов API, запрос к базе, заполнение формы, код
4. Проверка — Оценка результата, исправление ошибок
5. Завершение или эскалация — Отчёт человеку; передача при неопределённости

Уровни автономии: от «предложить действие» до «выполнить и отчитаться». Выбор уровня — управленческое решение с учётом риска.

1. Агентная разработка — Агент получает задачу, изменяет код, запускает тесты, готовит изменения к проверке — Claude Code, Codex, Cursor и аналоги
2. Закупки и продажи — Сравнение поставщиков, подготовка заявок, переговоры по регламенту; агентная коммерция в маркетплейсах
3. Бэк-офис — Обработка счетов, сверки, претензии, кадровые документы — сквозные процессы без человека в типовых случаях
4. Исследования — Глубокие обзоры рынков, конкурентов, нормативной базы с источниками за минуты
5. Использование компьютера — Агент управляет браузером и приложениями как человек — работает с системами без API
6. Мультиагентные системы — Оркестратор распределяет подзадачи специализированным агентам; протоколы A2A

• MCP (Model Context Protocol, 2024–2025): открытый стандарт подключения моделей к инструментам и данным — «USB для ИИ»; поддержан основными разработчиками
• Протоколы взаимодействия агентов (A2A и аналоги): агенты разных компаний обмениваются задачами и результатами
• Агентная коммерция: стандарты для покупок агентами (идентификация, платежи, подтверждение намерений)
• Корпоративные платформы агентов: каталоги инструментов, права доступа, аудит действий, лимиты затрат
• Экономический смысл: агентная экосистема повторяет логику платформ — ценность растёт с числом подключённых инструментов и сервисов

Стоимость, окупаемость и главная проблема — масштабирование

• Лицензии и токены: от 200–500 руб. за подписку сотрудника в месяц до миллионов рублей в месяц за API при массовых сценариях
• Инфраструктура для собственных моделей: GPU-серверы (десятки миллионов рублей) или аренда в облаке
• Данные и интеграция: подготовка базы знаний, подключение к системам — часто основная статья
• Люди: инженеры, продакт-менеджеры, эксперты для оценки качества, обучение сотрудников
• Безопасность и комплаенс: фильтры, аудит, юридическая экспертиза
• Правило: стоимость модели — обычно менее трети бюджета проекта; остальное — данные, интеграция, изменения процессов

Опросы руководителей, 2025 (оценки)

% компаний

Используют ИИ 71 % компаний, значимый эффект видят 17 %.

Источник исходной лекции: McKinsey State of AI 2025, MIT NANDA 2025; округлено

• Большинство компаний экспериментируют, немногие получают значимый финансовый эффект
• Причины: отсутствие перестройки процессов, данные, кадры, отсутствие метрик
• Лидеры перестраивают процессы «вокруг ИИ», а не добавляют ИИ к старым
• Ожидание: разрыв сократится к 2028–2030 годам по мере зрелости агентов

Цифры условные. Реальный эффект достигается только при изменении процесса: если высвобожденное время не перераспределено, экономии нет.

1. Ошибки и галлюцинации — Неверные факты в договорах, отчётах, ответах клиентам; репутационные и юридические последствия
2. Утечки данных — Сотрудники вводят коммерческую тайну в публичные сервисы; модель запоминает данные
3. Безопасность агентов — Инъекции промптов через письма и сайты, несанкционированные действия
4. Интеллектуальная собственность — Права на обучающие данные и сгенерированный контент; иски к разработчикам
5. Кадры и навыки — Деквалификация, сопротивление, перераспределение ролей
6. Зависимость и санкции — Отключение иностранных API, доступ к чипам, концентрация у нескольких провайдеров

Правила для технологии, которая меняется быстрее законов

• Кто отвечает за решение ИИ: в российском праве — оператор системы (компания), а не модель; ИИ не субъект права
• Внутренняя политика использования ИИ: разрешённые сервисы, категории данных, обязательная проверка, маркировка контента
• Управление рисками: реестр ИИ-систем, оценка риска по сценариям, «человек в контуре» для значимых решений
• Требования регуляторов отраслей: ЦБ РФ — к моделям в банках, Минздрав — к медицинским ИИ-системам (регистрация как медизделий)
• Готовность к будущим требованиям: журналирование действий агентов, объяснимость, тестирование на смещения

Вопрос не в том, заменит ли ИИ людей. Вопрос в том, заменят ли людей, использующих ИИ, тех, кто его не использует.

ИИ в контексте темы: история, современность, горизонт 2030

Условная оценка по опросам и прогнозам аналитиков (Gartner, McKinsey)

% процессов

К 2030 году агенты могут участвовать в большинстве типовых процессов.

Источник исходной лекции: Gartner (2024–2025), McKinsey; экстраполяция, цифры иллюстративны

• Gartner: к 2028 году ~15 % повседневных рабочих решений будут приниматься агентами автономно
• Быстрее всего — ИТ, поддержка, бэк-офис, закупки
• Медленнее — регулируемые отрасли и физические процессы
• Ключевая неопределённость — надёжность агентов и регулирование

1. Выбрать 2–3 сценария с измеримым эффектом — Не «внедрить ИИ», а «сократить время обработки претензий на 50 %»
2. Привести в порядок данные и знания — База знаний, регламенты, справочники — фундамент для RAG и агентов
3. Политика и безопасность — Правила использования, контроль данных, «человек в контуре»
4. Обучить людей — ИИ-грамотность для всех, глубокие навыки для команд внедрения
5. Строить платформу, а не пилоты — Единый доступ к моделям, инструментам, аудиту — чтобы сценарии масштабировались
6. Личная стратегия студента — Использовать ИИ в учёбе и проектах, понимать пределы, развивать суждение и предметные знания

1. Языковые модели предсказывают текст, но благодаря масштабу приобрели универсальные способности; их ограничения — галлюцинации, стоимость, безопасность
2. За 2022–2026 годы отрасль прошла путь от чата к рассуждающим, мультимодальным моделям и агентам; цена «единицы интеллекта» упала на порядки
3. Измеренный эффект — 15–55 % прироста производительности на задачах; эффект на уровне компании требует перестройки процессов
4. ИИ-агент выполняет задачу целиком через инструменты; уровень автономии — управленческое решение, требующее аудита и ограничений
5. К 2030 году ожидается агентная экономика; регулирование и ответственность станут таким же фактором конкуренции, как технологии

1. Объясните, почему модель, обученная предсказывать следующее слово, умеет писать код и рассуждать
2. Что такое галлюцинации и как бизнес снижает их риск (RAG, проверка, ограничения)?
3. Назовите ключевые события 2022–2026 годов и их влияние на рынок
4. Сравните закрытые и открытые модели с точки зрения российской компании
5. Приведите три измеренных примера эффекта генеративного ИИ и объясните «эффект рваной границы»
6. Чем ИИ-агент отличается от чат-бота? Опишите цикл работы агента
7. Почему большинство компаний не получают финансового эффекта от ИИ, несмотря на использование?
8. Как регулируется ИИ в ЕС, Китае и России? Кто несёт ответственность за решения ИИ-системы?

• Vaswani A. et al. Attention Is All You Need. 2017; Brown T. et al. Language Models are Few-Shot Learners. 2020
• Brynjolfsson E., Li D., Raymond L. Generative AI at Work. NBER, 2023
• Noy S., Zhang W. Experimental Evidence on the Productivity Effects of Generative AI. Science, 2023
• Dell'Acqua F. et al. Navigating the Jagged Technological Frontier. Harvard Business School, 2023
• Stanford HAI. AI Index Report 2025; Epoch AI — данные о стоимости обучения и инференса
• McKinsey. The State of AI 2025; Gartner. Top Strategic Technology Trends 2025–2026 (Agentic AI)
• Regulation (EU) 2024/1689 — Artificial Intelligence Act
• Указ Президента РФ № 490 (Национальная стратегия развития ИИ, ред. 2024); Кодекс этики в сфере ИИ (2021); Федеральный закон № 258-ФЗ об экспериментальных правовых режимах
• Документация Model Context Protocol; отчёты METR о длине автономных задач агентов (2025)
• Публичные материалы Сбера (GigaChat), Яндекса (YandexGPT, Alice AI), Т-Банка (T-Pro) 2024–2026

• Следующая лекция:
• Цифровая трансформация: Индустрия 4.0 и цифровые двойники

Вопросы — на семинаре и в чате курса

• LLM — USB
• LLM — большая языковая модель
• GPT — генеративный предобученный трансформер
• RLHF — обучение с подкреплением по обратной связи людей
• RAG — генерация с дополнением из найденных источников
• GPU — графический процессор
• API — программный интерфейс приложения
• MCP — протокол контекста модели
• A2A — протокол взаимодействия агентов
• USB — универсальная последовательная шина
• A/B — ЮНЕСКО
• A/B — сравнительное тестирование вариантов A и B
• EBIT — прибыль до процентов и налогов

• HR — управление персоналом
• ЭПР — экспериментальный правовой режим
• ФЗ — федеральный закон
• ЦБ — Центральный банк; в России — Банк России
• ОЭСР / OECD — Организация экономического сотрудничества и развития
• ЮНЕСКО — Организация ООН по вопросам образования, науки и культуры
• G7 — NBER
• G7 — «Группа семи»
• BCG — Boston Consulting Group; консалтинговая компания
• HAI — Институт человекоцентричного ИИ Стэнфорда
• METR — оценка моделей и исследование угроз
• MIT — Массачусетский технологический институт
• NANDA — сетевые ИИ-агенты в децентрализованной архитектуре

• NBER — Национальное бюро экономических исследований США
• NIST — МТС / MTS
• NIST — Национальный институт стандартов и технологий США
• ИИ / AI — искусственный интеллект
• ИТ / IT — информационные технологии
• ПО — программное обеспечение
• РФ — Российская Федерация
• ЕС / EU — Европейский союз
• США — Соединённые Штаты Америки
• ВТБ — «Внешторгбанк»; историческое название банка
• МТС / MTS — «Мобильные ТелеСистемы»

Единицы и текст: тыс. — тысяча; млн — миллион; млрд — миллиард; трлн — триллион; руб. — рубль; долл. — доллар; г./гг. — год/годы; уч. год — учебный год; ст. — статья; ред. — редакция; др./et al. — другие авторы.