Время строить: почему 2026 год станет годом пересборки IT‑бизнеса

Инсайт №1. Эра физического ИИ (Physical AI)

Долгое время искусственный интеллект был для нас синонимом умного чата или генератора картинок. Он жил в экране монитора. Но сегодня интеллект обретает плоть.

Физический ИИ — это системы искусственного интеллекта, которые позволяют машинам автономно воспринимать физический мир, понимать его и анализировать, взаимодействовать с ним в режиме реального времени.

Эти возможности появляются в роботах, транспортных средствах, симуляциях и сенсорных системах. Обычные роботы просто выполняют заранее написанные программы. А роботы с физическим ИИ сами оценивают обстановку, учатся на своем опыте и меняют поведение в зависимости от ситуации.

В мире робототехники физический ИИ превращает машины в адаптивные системы, которые могут работать в сложных и непредсказуемых условиях. Благодаря сочетанию ИИ, подвижности и способности взаимодействовать с окружающим миром, такие роботы не просто выполняют задачи — они по-настоящему «живут» и действуют в пространстве.

Что происходит

Физический ИИ использует методы обучения, которые применяются в больших языковых моделях, и дополняет их данными, которые описывают физический мир. Мультимодальные модели типа «зрение-язык-действие» (VLA) объединяют в себе компьютерное зрение, обработку естественного языка и управление движением. Подобно человеческому мозгу, такие модели помогают роботам анализировать окружающую обстановку и выбирать подходящие действия.

Физический ИИ — это уже не прототипы из лабораторий, а реальность заводов и логистических центров. Роботы Amazon повышают эффективность перемещения товаров на складах на 10%. Их уже больше миллиона, и их координирует нейросеть DeepFleet. Автомобили BMW теперь самостоятельно проезжают километровые маршруты от сборочной линии до финишной зоны без участия человека.

Почему это важно для бизнеса

Ведущие организации ускоряют внедрение физического ИИ и применяют его в различных секторах для решения реальных проблем.

• В здравоохранении разрабатывают роботизированные хирургические системы и интеллектуальных помощников для ухода за пациентами.
• Ресторанный бизнес использует роботов для доставки, приготовления еды и обслуживания посетителей.
• Энергетические компании, такие как Naturgy, применяют дроны для наблюдения за объектами и планируют использовать роботов для обслуживания сетей в опасных условиях.
• В городском управлении — например, в Детройте внедряют дроны для инспекции мостов и автономные шаттлы для перевозки маломобильных граждан.

Общая цель всех проектов — расширить человеческие возможности там, где важны безопасность, точность и доступность.

Источник: Mark Osis, Raquel Buscaino, and Caroline Brown, «Robotics & physical AI», Deloitte, 2025

Выводы

Не ждите, пока технология станет идеальной, — начните создавать инфраструктуру и культуру данных уже сегодня. Физический ИИ — это не просто автоматизация, а новый уровень взаимодействия с реальным миром. Инвестируйте в пилотные проекты в наиболее опасных или критически важных зонах вашего бизнеса, чтобы нарастить компетенции, повысить безопасность и подготовить сотрудников к новому технологическому скачку. Тот, кто первым научится эффективно внедрять эти системы, получит решающее конкурентное преимущество в ближайшие три-пять лет.

Инсайт №2. Агентный ИИ: провалы и рецепты успеха

Пожалуй, самый громкий и одновременно самый обманчивый тренд последних месяцев — это ИИ-агенты, или агентный AI. Они привлекли внимание крупного бизнеса обещаниями независимой работы и интеллектуального выполнения задач. По прогнозам Gartner, к 2028 году 15% повседневных рабочих решений будут приниматься автономно с помощью агентного ИИ, по сравнению с нулевым уровнем в 2024 году.

Однако на практике компании сталкиваются со значительными препятствиями при переводе пилотных проектов использования агентного ИИ в промышленную эксплуатацию. Deloitte отмечает, что пока 30% опрошенных организаций изучают возможности ИИ-агентов, а 38% проводят пилотные проекты, только 14% из них имеют решения, готовые к внедрению, и лишь 11% активно используют ИИ-агентов в реальной деятельности. Более того, 42% компаний сообщают, что все еще разрабатывают свою стратегическую дорожную карту в области агентной системы ИИ, а у 35% вообще нет никакой формальной стратегии.

В чем провал

Компании пытаются совместить ИИ-агентов с процессами, которые изначально были созданы для людей. Они хотят автоматизировать эти процессы, не переосмысливая, как выполняют работу ИИ-агенты.

1. Проблема ложного позиционирования («agent washing»)

• Суть: многие инициативы, которые называют агентными, на деле являются обычной автоматизацией.
• Последствия: компании используют сложные ИИ-агенты там, где достаточно простых инструментов. Это приводит к низкой окупаемости инвестиций (ROI).
• Роль вендоров: ситуацию усугубляют поставщики, которые просто переименовывают старые продукты в «агентов» для привлечения внимания.

2. Обратный эффект от внедрения

• Негативный сценарий: плохо спроектированные агенты не ускоряют, а замедляют работу.
• Пример: в некоторых компаниях «цифровой шум» от использования ИИ-агентов (agentic «workslop») привел к тому, что процессы стали менее эффективными и добавили лишней работы сотрудникам.

3. Текущая неготовность рынка

• Разрыв потенциала и реальности: ИИ-агенты — это действительно новая эра в организации труда. Однако большинство современных предприятий структурно не готовы использовать этот потенциал.

Рецепт Deloitte

Компании, которые добиваются успеха, понимают настоящую ценность не в добавлении AI-агентов в существующие процессы, а в полной перестройке этих процессов под новые возможности.

Для этого нужны четыре шага:

1. Стратегически перепроектировать процессы: не автоматизировать то, что есть, а гибко дорабатывать с учетом возможностей ИИ.
2. Подготовить основу: создать такую IT-архитектуру, в которой ИИ-агентам будет удобно работать.
3. Наладить координацию: внедрить системы, которые будут управлять работой множества ИИ-агентов.
4. Освоить новый тип управления: разработать правила и агентный подход ИИ к руководству для «цифровых сотрудников».

Рецепт Hewlett Packard Enterprise (HPE)

HPE разработали ИИ-агента под названием Alfred для автоматизации внутренних обзоров операционной эффективности, operational performance reviews. Это трудоемкий процесс, который раньше требовал значительных временных затрат от сотрудников и был основан на анализе больших массивов данных.

Пользовательский интерфейс Alfred работает как единая точка входа. Внутри трудятся четыре отдельных агента, каждый со своей специализацией:

1. Разбивка запросов на элементы для обработки.
2. Анализ данных в SQL.
3. Построение диаграмм и графиков.
4. Перевод аналитических выводов в понятные структурированные отчеты.

Агенты получают данные из корпоративного хранилища, которое работает поверх ERP и CRM систем. Главные инсайты:

• Сквозная трансформация, а не точечное решение. В HPE специально подобрали процесс, который можно трансформировать целиком, а не единожды решить конкретную проблему.
• Универсальность решения. Кейс выбран не случайно — он применим в различных бизнес-функциях и отраслях. HPE изначально создавали Alfred как пример, который можно масштабировать и тиражировать.
• Модульная архитектура. Вместо одного монолитного агента HPE создала систему из специализированных агентов, где каждый отвечает за свою задачу. Это повышает надежность и упрощает доработку.
• Работа с данными на существующей инфраструктуре. Агенты не требуют замены текущих систем — они надстраиваются поверх существующих ERP и CRM, используя корпоративное хранилище данных.

Источник: Jim Rowan, Nitin Mittal, Parth Patwari, and Ed Burns, «The agentic reality check: Preparing for a silicon-based workforce», Deloitte, 2025

Выводы

Сейчас мы наблюдаем переход к гибридной рабочей силе, где у сотрудников и ИИ-агентов разные наборы навыков. Люди остаются незаменимыми там, где нужно ориентироваться в меняющихся бизнес-условиях и решать комплексные задачи. А агенты превосходно справляются с четко определенными процессами.

Для успеха нужны «супервайзеры для ИИ-агентов» — люди, которые подключаются к процессам в ключевых точках, чтобы решать нестандартные задачи. Это не про тотальный контроль человека над машиной, а про стратегическую коллаборацию между цифровой и традиционной рабочей силой.

Исследования показывают, что пилотные проекты, созданные через стратегические партнерства с вендорами, в два раза чаще доходят до полноценного внедрения по сравнению с внутренними разработками компании. При этом и сотрудники используют такие внешние инструменты почти вдвое чаще.

Рекомендации для руководителей

Относитесь к ИИ-агентам как к новой категории сотрудников. Кремниевая рабочая сила требует такого же управления, как и углеродная. ИИ-агентов нужно вводить в должность — проводить онбординг и знакомить с корпоративными данными. Нужно понимать, почему ИИ-агент принял то или иное решение, — для этого проводить перформанс-менеджмент, иными словами отслеживать их эффективность. Также надо управлять жизненным циклом ИИ-агентов, то есть своевременно «увольнять» устаревшие версии. А финансовым директорам придется осваивать FinOps для ИИ, ведь плохо настроенный агент способен накрутить счета за вычислительные мощности на сотни тысяч всего за одну ночь.

Не спрашивайте, какой процесс автоматизировать. Задайтесь вопросом, как бы вы вели этот бизнес, если бы у вас было 1000 идеальных стажеров, работающих 24/7. Так вы найдете истинную ценность ИИ-агентов.

А в Битрикс24 уже можно пользоваться преимуществами искусственного интеллекта. Мы органично встроили его в рабочие процессы на основе опыта наших клиентов и добавили полезные функции.

Инсайт №3. Конец эпохи «Cloud First»: инфраструктурный ренессанс

Стоимость однократного использования ИИ-моделей (инференса) за последние два года снизилась в 280 раз. Несмотря на это, общие расходы компаний на ИИ превышают все возможные лимиты — объемы потребления растут быстрее, чем дешевеют технологии. API-решения на базе больших языковых моделей, при помощи которых компании тестируют гипотезы, оказываются крайне дорогими, когда их масштабируют на всю компанию. Некоторые организации уже получают счета на огромные суммы в месяц.

Главной причиной роста затрат становится агентный ИИ, который требует непрерывной работы моделей и постоянных вычислений. Это приводит к стремительному росту расходов на токены и вынуждает предприятия срочно искать новые подходы к построению инфраструктуры.

Основные узкие места инфраструктуры

Сегодня в инфраструктуре многих крупных компаний наблюдается ряд важных проблем. В существующих центрах обработки данных (ЦОД) используются фальшполы, стандартные системы охлаждения, оркестрация на основе виртуализации в частном облаке и традиционное управление рабочими нагрузками. Все это рассчитано на стоечные серверы с воздушным охлаждением.

Для ИИ-инфраструктуры нужны другие архитектурные подходы, которые отсутствуют в традиционных корпоративных средах: от требований к сетевому сообщению между GPU до высокоскоростных коммуникационных технологий, таких как InfiniBand.

Почему компании пересматривают подход к ИИ‑инфраструктуре

Постоянная работа ИИ-моделей требует больших вычислительных мощностей. Если использовать облачные сервисы, это выливается в частые запросы и растущие счета. Но дело не только в деньгах. Есть и другие проблемы:

• Конфиденциальность данных — нельзя передавать все в облако.
• Скорость работы — критична для задач в реальном времени.
• Защита интеллектуальной собственности.
• Надежность системы — отказоустойчивость.

Простой перенос задач из облака на свои серверы или обратно проблему не решит. Нужно создавать гибкую инфраструктуру, где каждая задача выполняется на самой подходящей для нее платформе.

Трехуровневый гибридный подход

Ведущие организации внедряют трехуровневые гибридные архитектуры, которые используют сильные стороны всех доступных вариантов инфраструктуры.

• Облако (cloud) для эластичности. Публичные облака обрабатывают переменные рабочие нагрузки при обучении моделей, пиковые потребности и мощности, этапы экспериментов и сценарии, где существующая тяжесть данных делает облачное развертывание логичным выбором. Гиперскейлеры (hyperscalers), или гипермасштабируемые ЦОД, предоставляют доступ к передовым ИИ-сервисам, упрощая управление быстроразвивающимися архитектурами моделей.
• Локальная инфраструктура (on-premises) для стабильности. Частная инфраструктура обеспечивает производственный инференс с предсказуемыми затратами для масштабных непрерывных рабочих нагрузок. Организации получают контроль над производительностью, безопасностью и управлением расходами, одновременно наращивая внутреннюю экспертизу в управлении ИИ-инфраструктурой.
• Периферия (edge) для оперативности. Локальная обработка данных обеспечивает принятие критических по времени решений с минимальной задержкой. Это особенно важно для производства и автономных систем, где время реакции в доли секунды определяет операционный успех или провал.

Источник: анализ Deloitte

Расцвет «фабрик ИИ»

Растущие потребности в вычислениях стимулируют появление «фабрик ИИ» (AI Factory) — интегрированных экосистем, объединяющих специализированные компоненты для обработки ИИ-нагрузок, такие как чипы, сети и хранилища. Их особенность не только в производительности, но и в возможности монетизировать избыточную вычислительную мощность через сервисные модели. Благодаря им компании зарабатывают на неиспользуемых ресурсах и при этом сохраняют полный контроль над критически важными процессами.

ИИ-агенты для принятия инфраструктурных решений

По мере усложнения ИИ-инфраструктуры для быстрой и точной настройки систем становится недостаточно традиционных ИТ-подходов. Поэтому компании внедряют ИИ-агентов, которые анализируют сбои, находят их причины и предлагают оптимальные решения. В перспективе такие агенты смогут автоматически управлять мощностями, выбором моделей и поставщиков. А также оптимизировать затраты и производительность в режиме реального времени, делая инфраструктурные решения постоянным и управляемым процессом, а не разовыми действиями.

Инсайты экспертов

• Правило 60-70%. Deloitte и эксперт Дэвид Линтикум советуют простое правило: как только ваши облачные расходы достигают 60-70% от стоимости покупки и обслуживания собственного «железа», пора задуматься о строительстве собственной ИИ-фабрики.
• AI Factory. Джон Роуз (Dell Technologies) говорит, что модернизировать старые ЦОДы под ИИ крайне сложно. Лучше строить «зеленые поля» — AI Factory, где сразу заложена ускоренная вычислительная архитектура, высокоскоростная сеть и среда хранения данных в «слоях знаний».

Почему все это называют инфраструктурным «ренессансом»

Организации, которые успешно совершат инфраструктурную трансформацию, получат устойчивые конкурентные преимущества в развертывании и эксплуатации ИИ. Те, кто не смогут адаптироваться, вероятно, столкнутся с растущими затратами, ограничениями производительности и стратегическими уязвимостями по мере того, как ИИ будет становиться все более важным для бизнес-операций.

Трансформация ИИ-инфраструктуры — не просто временная рыночная корректировка. Это фундаментальный сдвиг в том, как предприятия подходят к вычислительным ресурсам. Так же, как облачные вычисления изменили IT-стратегию за последнее десятилетие, гибридная ИИ-инфраструктура будет определять технологические решения на следующее десятилетие. По силе и значимости изменений Deloitte сравнивает это время с эпохой Ренессанса.

Инфраструктурный ренессанс начался, и его результаты определят, какие организации преуспеют в бизнес-среде, управляемой ИИ.

Инсайт №4. Великая перестройка IT-команды

Все эти изменения неизбежно ведут к «Великой перестройке» самих IT-организаций. Согласно данным Deloitte, 78% технологических лидеров ожидают полной интеграции ИИ-агентов в свои рабочие процессы в ближайшие пять лет.

Поскольку ИИ играет ключевую роль в текущих и будущих стратегиях, меняется и задача технического подразделения организации. Сегодня CEO ожидают от технических руководителей не просто управления IT, а формирования бизнес-стратегии. Большинство крупных предприятий — 66%, согласно опросу технических руководителей Deloitte, — рассматривают свое техническое подразделение как источник выручки, а не как сервисный центр.

Что происходит

• Смена ролей. CIO превращается из «смотрителя» в «оркестратора» и «евангелиста ИИ». Появляются новые профессии: дизайнер коллаборации человека и ИИ, промпт-инженер, специалист по качеству синтетических данных, инженер edge AI, AIOps-менеджер. Например, компания Moderna объединила HR и IT в одну функцию — Chief People and Digital Technology Officer. Логика следующая: они перестали делить управление на управление людьми и управление технологиями. Теперь есть только управление работой. Кто ее выполняет — человек или агент — вопрос тактики.
• Модернизация. 71% опрошенных Deloitte организаций в настоящее время модернизируют базовую инфраструктуру для того, чтобы она поддерживала внедрение ИИ. Однако основным драйвером обновления технологий должно быть решение фундаментальных бизнес-задач. Например, сокращение затрат или ускорение выхода на рынок, а не инвестирование в тренд без сформированных ожиданий относительно результата.
• Vibe Coding. Соавтор известной книги «Проект "Феникс"» Джин Ким говорит о конце эпохи ручного кодирования. Техника «vibe coding», где разработчик выступает скорее дирижером, чем исполнителем, становится реальностью. Это демократизирует разработку, но требует от руководителей создания новой культуры, в которой знание о том, как эффективно использовать ИИ-ассистентов, должно стать общественным достоянием.

Что ожидает технологические компании

Партнерство человека и машины

В будущем преимущество будет определять не сам факт внедрения ИИ, а способность компаний собирать команды, которые умеют выстраивать синергию человека и машины. Будущее не ставит выбор между людьми и технологией, оно строится на их сотрудничестве.

Переосмысление ради ускорения

Традиционные проектные команды уступают место гибким кросс-функциональным, ориентированным на продукты и потоки создания ценности. 57% компаний уже переходят от проектной модели к продуктовой, чтобы сократить путь от идеи до клиента и передать командам ответственность за результат.

Прогнозные модели и интеллектуальная автоматизация усиливают эту структуру. Непрерывное планирование и экспериментирование становятся частью повседневной работы, а ручная постановка задач между отделами уходит в прошлое. В результате организационная гибкость выходит за пределы IT и формирует операционную модель, которая адаптируется к изменениям и при этом сохраняет скорость и ответственность на уровне команд.

Человеко-агентные команды

Будущие команды станут бесшовным сочетанием людей (творчество, контроль и этика) и ИИ-агентов (скорость, точность и анализ данных). Это позволит непрерывно экспериментировать и масштабировать инновации. По мере того как ИИ-агенты будут брать на себя более сложные задачи, цифровая грамотность будет становиться ключевым навыком для каждой роли. Успех технической организации будет зависеть от умения выстраивать эту коллаборацию так, чтобы люди и машины развивались вместе.

Встроенное управление

Современные технологические организации заменяют периодический контроль на непрерывные механизмы управления с поддержкой ИИ. Они автоматически контролируют и обновляют политики, процессы и элементы управления короткими циклами. В результате комплаенс, безопасность и этика встраиваются непосредственно в рабочий процесс, а не добавляются постфактум.

Для масштабирования такого подхода требуется тесное сотрудничество директора по информационным технологиям — CIO, финансового директора — CFO и директора по стратегии — CSO. Вместе они превращают инновации в измеримый бизнес-результат и доказывают, что успех ИИ зависит в равной мере и от качества технологий, и от слаженности в работе руководства.

Оркестрация экосистем

Технологическая организация превращается из поставщика услуг в оркестратора экосистемы. Она координирует взаимодействие между стартапами, гиперскейлерами, регуляторами и академическими кругами для ускорения инноваций. По мере стирания границ между IT и бизнесом, компании переходят к гибким инновационным сетям. Теперь успех определяет не столько владение всеми технологиями, сколько способность оркестровать адаптивную экосистему, непрерывно экспериментировать и быстро учиться на ошибках.

Непрерывная эволюция

Определяющая черта технологических организаций завтрашнего дня — это постоянная эволюция, при которой изменения становятся ключевой компетенцией, а не разовым мероприятием. Встраивая адаптивность и мышление «всегда в бета-версии» в свою структуру, культуру и стратегию, организации учатся так же быстро, как меняются технологии, которые они используют.

Инсайт №5. Кибербезопасность как оружие

Внешние угрозы — дипфейки, синтетические личности, атаки с использованием социальной инженерии — продолжают существовать, но сегодня самые опасные риски рождаются внутри компаний. Главные из них — теневой ИИ и слабое управление агентами.

Теневой ИИ — это несанкционированное внедрение ИИ, которое проводят отдельные команды внутри компаний. Оно создает слепые зоны для управления. Такие системы могут получать доступ к конфиденциальным данным, принимать важные решения и взаимодействовать с другими системами. Каждое подобное внедрение — это потенциальный источник утечки данных, несанкционированного доступа или ошибок. Бороться с этим можно старыми методами: мониторинг сети и контроль соответствия стандартам безопасности.

Масштабирование ИИ неизбежно порождает новые риски, требующие релевантных стратегий защиты.

Риски безопасности ИИ проявляются в четырех областях: данные, ИИ-модели, приложения и инфраструктура. Пока организации продолжают изучать полный спектр угроз, время для реактивных подходов уходит. Многие существующие практики безопасности могут быть адаптированы для решения рисков, связанных с ИИ.

• Риски безопасности данных. Большие языковые модели (LLM) и другие ИИ-системы концентрируют огромные объемы информации в единых хранилищах и поэтому требуют дополнительной защиты. Проблемы безопасности данных охватывают информацию, которую ИИ-модели обрабатывают во время обучения, тестирования, валидации, а также после развертывания.
• Риски безопасности моделей ИИ. Безопасность моделей включает в себя архитектуру модели, уникальные параметры обучения, а также процессы обучения, тестирования и валидации. Требования к прозрачности часто различаются в зависимости от типа модели, что создает важные условия для работы регуляторов.
• Риски безопасности приложений. Эти риски связаны с внешним слоем, на котором размещена модель. Он работает поверх инфраструктуры и выступает в качестве пользовательского интерфейса, через который пользователи и системы взаимодействуют с возможностями ИИ.
• Риски безопасности инфраструктуры. Безопасность инфраструктуры охватывает аппаратные и сетевые компоненты. Их используют для разработки и размещения систем ИИ. Они представляют собой базовый уровень, на котором работают возможности ИИ.

Методы борьбы

• Эскалация гонки вооружений в сфере ИИ. Решения кибербезопасности на базе ИИ помогают выявлять закономерности, которые люди не замечают, отслеживать весь ландшафт и ускорять реагирование на угрозы. А также предугадывать действия злоумышленников и автоматизировать повторяющиеся задачи. Эти возможности меняют подход организаций к управлению киберрисками.
• Продвинутые нативные стратегии защиты с использованием ИИ. Одно из направлений, где киберкоманды используют ИИ, — это red teaming, «тестирование на проникновение». Оно включает в себя тщательное стресс-тестирование и проверку ИИ-систем. Система имитирует атаку злоумышленников и выявляет уязвимости до того, как ими смогут воспользоваться реальные нарушители. Этот проактивный подход помогает организациям понять режимы отказа и границы безопасности своих ИИ-систем.
• Эволюция комплаенса. Компании, использующие ИИ, сталкиваются с новыми требованиями комплаенса. Особенно в здравоохранении и финансовых услугах, где им часто необходимо объяснять схему принятия решений. Хотя этот процесс, как правило, трудно поддается расшифровке, определенные стратегии помогают обеспечить соответствие ИИ-систем нормативным требованиям.

Продвинутое управление агентами

С ростом автономии и числа ИИ-агентов компаниям нужен мониторинг в режиме реального времени: отслеживание решений агентов, их взаимодействие и выявление аномалий. Это позволяет вычислить скомпрометированного агента до того, как он нанесет вред.

Ключевые элементы управления:

• Динамические привилегии — права агентов меняются в зависимости от контекста и поведения.
• Управление жизненным циклом — контроль создания, изменений и отключения агентов, с которым помогает HR для цифровых сотрудников.

Это решает проблему «осиротевших агентов» — ботов, которые после вывода из эксплуатации продолжают иметь доступ к системам.

Особую остроту вопросу придает то, что скоро агенты смогут создавать других агентов. Без должного контроля они станут идеальной целью для атак, особенно если у компании нет понимания, что они делают и к чему имеют доступ.

Когда оружием становится все: сближение двух реальностей — ИИ и физической

ИИ проникает в критические инфраструктуры — энергосети, транспорт, водоснабжение и здравоохранение. Это создает новый уровень угроз: одна атака может одновременно поразить несколько секторов экономики и вызвать каскадные сбои. Сложные атаки могут использовать тактику «вареной лягушки», когда ИИ-системы незаметно ухудшают производительность в течение месяцев, и это сложно обнаружить до тех пор, пока не накопится значительный ущерб.

Как защититься:

• Мониторить цепочки поставок — автоматически выявлять риски и ранние признаки взлома.
• Сохранять ручное управление — оставить людям возможность отменять решения ИИ.
• Строить барьеры — изолировать системы, чтобы сбой в одной из них не разрушил все остальные.

Необходимость сбалансированных инноваций

Компании должны развивать инновации и безопасность параллельно, встраивать защиту в ИИ-проекты с самого старта. Безопасность данных, управление доступом и защита инфраструктуры должны стать фундаментом. Пропуск этого этапа ради скорости создает уязвимости, которые позже подорвут конкурентоспособность.

Следующий шаг — ИИ-системы защиты: только они способны работать на скорости машин и адаптироваться к новым угрозам. Кто видит в этом не расходы, а инвестиции, получает долгосрочное преимущество.

И готовиться к будущему — кибервойнам, взаимопроникновению ИИ и физического мира — лучше уже сейчас. Для этого нужно создавать гибкую архитектуру безопасности. Так называемая дилемма ИИ — на самом деле не дилемма, а сигнал к действию. Компании, которые выстраивают многоуровневую защиту и одновременно быстро внедряют инновации, не только обезопасят свои активы, но и превратят управление рисками в конкурентное преимущество. Будущее за теми, кто видит в безопасности не препятствие, а опору для внедрения ИИ.

Технологические сигналы, за которыми стоит следить

Помимо глобальных трендов, Deloitte советует следить за сигналами, которые станут мейнстримом завтра:

1. Конец эры больших моделей. Возможно, масштабирование LLM достигло плато. Теперь будет выигрывать не тот, у кого модель больше, а тот, у кого данные свежее.
2. Синтетические данные. К 2028 году 80% данных для ИИ будут синтезированы. Залогом лидерства станет доступ к актуальным и уникальным данным.
3. Нейроморфные чипы. Процессоры, работающие как мозг, потребляют в 100 раз меньше энергии. Это откроет эру мощного ИИ на батарейках.
4. Edge AI. ИИ на личном смартфоне, а не в облаке. Рынок таких устройств растет на 364% в год.
5. GEO вместо SEO. Поисковая оптимизация меняется. Основную роль начинает играть оптимизация под генеративные поисковые алгоритмы (GEO). Поэтому контент должен быть интересным прежде всего для ИИ-ассистентов.
6. Биометрия. Пароли теряют актуальность. Дипфейк и ИИ-мошенничество зашли слишком далеко, и единственный жизнеспособный вариант защиты — гибридный подход с использованием и биометрии, и сложных паролей.
7. Приватность против удобства. Чтобы ИИ-агент был полезен, ему нужно дать доступ ко всем личным данным — например, к почте, календарю, перепискам. Это создает «парадокс согласия»: пользователь хочет удобства и предоставляет ИИ чувствительную информацию, но не до конца понимает, что будет происходить с этими сведениями дальше.