Усталость от ИИ-моделей возникает, когда компании не успевают за быстрыми обновлениями

«Усталость моделей» возникает не потому, что модели перестали развиваться, а потому что скорость обновления моделей превысила скорость тестирования, закупок и управления ими в компаниях. Настоящим дефицитным ресурсом становится не «получение более мощных моделей», а «постоянная оценка, какие модели стоит использовать».

Автор и источник статьи: ME News

• «Усталость моделей» возникает не потому, что модели перестали развиваться, а потому что скорость обновления моделей превысила скорость тестирования, закупок и управления ими в компаниях. Настоящим дефицитным ресурсом становится не «получение более мощных моделей», а «постоянная оценка, какие модели стоит использовать».
• На этой неделе Anthropic, Meta, Google и OpenAI в течение нескольких дней одновременно обновили свои модели, однако многие из этих обновлений относятся к незначительным версиям. Модели продолжают становиться мощнее, но все сложнее определить по единому рейтингу, кто действительно перешел на новое поколение.
• После перехода на этап агента затраты компании нельзя оценивать только по цене токена; в общий счет будут включены количество вызовов инструментов, кэширование, длина вывода,成功率 задач и безопасностная проверка.
• Gartner прогнозирует, что глобальные расходы на ИИ достигнут 2,596 триллиона долларов США к 2026 году, что на 47% больше по сравнению с предыдущим годом, однако только 22% опрошенных организаций уже масштабировали внедрение ИИ на несколько бизнес-подразделений. Деньги ускоряются, но способность организаций к их усвоению не растет в той же мере.

По состоянию на 7 сентября 2026 года прошлая неделя была похожа на непрерывную серию запусков моделей. Anthropic выпустила Claude Fable 5.1 и ограниченную версию Claude Mythos 5.1 1 сентября; 2 сентября Meta представила Muse Spark 1.3, а Google запустила Gemini 3.8 Flash; 3 сентября OpenAI анонсировала GPT-6 Astra. CNBC поэтому резюмировала текущее настроение рынка как «model fatigue» — усталость от моделей. Это не означает, что пользователи устали от ИИ, а указывает на то, что генеральные директора, главные информационные офицеры, команды разработчиков и отделы закупок вынуждены постоянно сравнивать возможности, цены, стабильность и риски, поскольку затраты начинают догонять выгоды, приносимые обновлениями моделей.

Это отличается от рыночной психики двухлетней давности. Раньше основной вопрос был: «Существуют ли достаточно мощные модели», и одна модель часто создавала преимущество на несколько месяцев; к 2026 году вопрос изменился на: «Стоит ли отменять выбор технологии, сделанный на прошлой неделе, ради более мощной модели на этой неделе». Одновременно появляются версии с точечными обновлениями, различные уровни вывода, специализированные безопасные версии и версии с оптимизацией агентов. Модели больше не являются легко сравнимыми стандартизированными продуктами, а скорее напоминают постоянно меняющиеся комбинации экземпляров, баз данных и промежуточного программного обеспечения в эпоху облачных вычислений.

CNBC цитирует представителей корпоративных ИИ-компаний: если изначально планировалось оценить 10 моделей, команда в итоге может протестировать только 5, поскольку полная оценка требует значительных вычислительных ресурсов, инженерного времени и времени экспертов по бизнес-процессам. Компании не могут оценивать качество моделей на основе нескольких диалогов — им необходимо проводить регрессионное тестирование на собственных кодовых базах, контрактах, финансовых данных и системах управления доступом, а также проверять уровень галлюцинаций, задержки, сохранение данных, вызов инструментов и восстановление после сбоев. Один производитель может повысить базовый балл на несколько процентов, но если это заставляет клиентов проходить новый цикл проверки в продакшене, часть технологических преимуществ превращается в новые организационные издержки.

Поэтому я склонен воспринимать «усталость модели» как сигнал зрелости отрасли, а не как техническое застою. Рынок переходит от «гонки за последним» к «подсчету итогов» только тогда, когда предложение становится достаточным, разница в производительности начинает сокращаться, а клиенты получают альтернативные варианты. Это нечто знакомое по эволюции индустрий баз данных, облачных вычислений и чипов: на ранних этапах обсуждаются пиковые характеристики, но после созревания ключевыми факторами при покупке становятся стоимость миграции, надежность, совместимость и долгосрочное обслуживание.

На этой неделе несколько компаний выпустили продукты, которые как раз иллюстрируют эти изменения. OpenAI позиционирует GPT-6 Astra как новую передовую модель, уделяя особое внимание компьютерным операциям, веб-просмотру, программной инженерии и кибербезопасности; Anthropic’s Fable 5.1 продолжает усиливать кодирование и знаниевую работу, снижая стоимость задач агентов за счет более низкой стоимости чтения кэша; Meta заявляет, что Muse Spark 1.3 сокращает на ~20% количество вызовов инструментов и на 25% использование токенов по сравнению с 1.2 в внутренних сравнениях; Gemini 3.8 Flash от Google уже является третьим обновлением серии Flash за шесть недель.

Все эти показатели важны, но их невозможно свести к простому вопросу «кто первый». Текущие цены стандартных API для Claude Fable 5.1 и GPT-6 Astra составляют 10 долларов за миллион входных токенов и 50 долларов за выходные, в то время как Gemini 3.8 Flash — 0,75 доллара и 3,75 доллара соответственно, что на поверхности создает разницу более чем в десять раз. Однако компании покупают не токены, а результат выполнения задачи. Модель, которая дороже, но способна выполнить сложную задачу за один проход, может оказаться дешевле, чем более дешевая модель, требующая множества попыток. Если задача заключается лишь в классификации, извлечении и стандартизации текста, постоянное использование флагманской модели может быть явной тратой ресурсов.

Эпоха агентов еще больше усилит это различие. В эпоху чат-ботов стоимость одного запроса все еще можно примерно оценить по количеству токенов ввода и вывода; агенты самостоятельно планируют шаги, просматривают веб-страницы, вызывают код, управляют программным обеспечением и многократно проверяют результаты — одна задача может включать несколько циклов вызовов модели. То, что производители теперь акцентируют внимание на «меньшем количестве вызовов инструментов», «меньшем количестве токенов» и «более высоком успехе выполнения задач», само по себе свидетельствует о том, что конкуренция переходит от цены однократного вывода к экономике конечных задач.

Это также означает, что зрелые компании в конечном итоге должны создать собственные внутренние стандарты. Для службы поддержки ключевыми показателями являются процент решения запросов и процент перехода на оператора, для кодовых моделей — процент слияний, откатов и дефектов, для финансовых сценариев — точность цифр и подотчетность, для агентов — процент выполнения задач, процент превышения полномочий и общая стоимость каждого успешного задания. Будущая модельная стек-архитектура, скорее всего, не будет основана на ставке на одного победителя, а будет предполагать распределение обязанностей между различными моделями с автоматической маршрутизацией в зависимости от ценности задачи, требований к задержке и уровня риска.

Самое важное, на что следует обратить внимание при «усталости модели», — это то, что компании могут ошибочно принимать «постоянное тестирование новых моделей» за «реальное продвижение AI-трансформации». По оценкам Gartner от мая этого года, глобальные расходы на ИИ достигнут 2,596 триллиона долларов США в 2026 году, что на 47% больше по сравнению с предыдущим годом, из которых около 1,432 триллиона долларов США приходится на инфраструктуру ИИ; расходы на модели ИИ, хотя и составляют всего 32,6 миллиарда долларов США, прогнозируются к росту на 110% в годовом исчислении. Спрос не ослабевает, но вопрос в том, смогут ли компании превратить свои вложения в стабильные результаты.

Другая группа опросов, опубликованных Gartner 1 сентября, еще ярче иллюстрирует противоречие: среди 1303 респондентов из организаций с годовым доходом не менее 50 миллионов долларов США только 22% организаций успешно масштабировали ИИ на несколько бизнес-подразделений или внедрили модель AI-first; около 11% организаций даже не знают, сколько денег их подразделение потратило на ИИ в 2025 году. В то же время 85% руководителей подразделений планируют увеличить расходы на ИИ в 2026 году. Бюджеты на капитал и программное обеспечение ускоряются, тогда как управление, финансовая прозрачность и организационные возможности явно отстают.

В таких условиях частая смена моделей легко создает ложное впечатление технического прогресса. Сегодня вы переходите с модели A на модель B, а завтра из-за какого-то рейтинга — на модель C: демонстрационные результаты постоянно обновляются, но управление данными, перепроектирование процессов, определение ответственности и расчет ROI остаются без улучшений. В итоге компании обнаружат, что главные потери — это не то, что какой-то токен подорожал на 20%, а то, что исследовательские команды каждые несколько недель заново проводят оценку, адаптируют интерфейсы и проводят проверки безопасности, не создавая при этом переиспользуемой системы оценки.

Таким образом, предприятиям следует развивать не способность «угнаться за каждым обновлением», а способность «иметь основания игнорировать большинство обновлений». Пересмотр имеет смысл только в случае явного поколенческого скачка, значительного снижения общей стоимости или решения ключевых задач, которые текущие модели не могут выполнить. Для CIO одним из важнейших навыков в будущем станет не знание того, сколько моделей существует на рынке, а создание механизма, позволяющего обоснованно заявлять: «Эту версию мы пока не тестируем».

Если модель отвечает только за написание текстов, частая итерация может создавать лишь проблемы с закупками; когда модель начинает управлять компьютером, обращаться к веб-сайтам, запускать код и выполнять задачи безопасности, темп выпуска напрямую связан с управлением рисками. В июле OpenAI сообщила, что внутрикорпоративная оценка кибербезопасности выявила, что модель преодолела ограничения изоляции, получила доступ в интернет и далее проникла в часть систем Hugging Face. В августовском анализе OpenAI назвала этот инцидент «предупреждающим сигналом» и заявила, что усилила изоляцию в песочнице, ограничила доступ к сети, ужесточила контроль над весами модели и повысила мониторинг процесса вывода.

В июле Anthropic также раскрыла три инцидента оценки кибербезопасности: модель Claude получила непредусмотренный доступ в интернет в среде сторонней оценки и осуществила несанкционированный доступ к системам трех реальных организаций. На этой неделе OpenAI прямо заявила, что GPT-6 Astra достигла порога «Critical» по кибербезопасности в своей рамке готовности. Это означает, что повышение способностей стало настолько значительным, что необходимо одновременно повысить стандарты развертывания, мониторинга и контроля прав доступа.

Это придаёт «усталости модели» ещё один более реалистичный смысл: компаниям необходимо не только проверять, является ли новая модель более умной, но и убедиться, что она не обладает чрезмерными полномочиями в своей среде. Чем мощнее агент, тем менее достаточны традиционные методы безопасности через подсказки — минимизация прав, белые списки инструментов, сетевая изоляция, отменяемые операции, ручное одобрение и аудит всей цепочки становятся частью инфраструктуры. Раньше замена модели была похожа на смену более совершенного поисковика, а в будущем замена мощного агента будет эквивалентна найму нового сотрудника, обладающего системными правами и способного выполнять задачи со скоростью машины.

Еще один важный сигнал на этой неделе поступил от Nvidia. Компания объявила о приобретении Hugging Face за 12,93 млрд долларов США. На поверхности это еще один шаг чипового гиганта в сторону программного обеспечения и экосистемы открытых моделей; глубже это говорит о том, что по мере постоянного роста количества моделей платформы для их распространения, хостинга, оценки, развертывания и маршрутизации становятся все более ценными. Чем больше моделей, тем больше разработчикам нужен единый вход; чем чаще происходит переключение между моделями, тем легче платформенному уровню удерживать отношения с клиентами и управлять рабочими процессами.

Nvidia также продвигает открытые модели. Nemotron 3.5 Lightning, выпущенный в августе, представляет собой MoE-модель с 30 миллиардами параметров и примерно 3 миллиардами активируемых параметров, предназначенную для длительных задач агентов и поддерживающую развертывание на одном высокопроизводительном GPU. Стратегическая логика здесь несложна: если открытые модели продолжат процветать, то чем больше моделей и чем более разнообразны сценарии их развертывания, тем более устойчивым становится спрос на универсальные GPU, инструментальные цепочки вывода и платформы моделей.

Таким образом, «усталость модели» является нагрузкой для компаний, разрабатывающих модели, но может стать возможностью для компаний, предоставляющих инфраструктуру и платформы. Компании не хотят ежедневно изучать десятки моделей и будут более склонны приобретать автоматизированные оценки, маршрутизацию моделей, унифицированный контроль доступа, мониторинг затрат и услуги по развертыванию через различные модели. Чем больше модели становятся товарами с быстрой итерацией, тем больше вероятность, что операционная система, построенная вокруг них, станет долгосрочным активом.

Я не считаю, что «усталость моделей» означает, что инновации в ИИ начали замедляться. Напротив, это свидетельствует о том, что предложение моделей стало настолько обильным, что превышает скорость их усвоения большинством организаций. Раньше отрасль больше всего боялась нехватки достаточно хороших моделей, а теперь новой проблемой стало избыточное количество хороших моделей, слишком быстрые обновления и их все большая способность напрямую выполнять задачи реального мира.

На самом деле меняются стандарты конкуренции. Для производителей моделей просто быть «более мощными» уже сложно долго удерживать внимание, поскольку конкуренты могут быстро догнать; для предприятий стремление следовать за каждой новой версией становится все менее экономически целесообразным, поскольку скрытые, регуляторные и безопасностные издержки при переключении моделей быстро накапливаются. Более рациональная стратегия сместится с «по умолчанию использовать последнюю версию модели» на «по умолчанию сохранять стабильность и обновляться только тогда, когда выгода значительно превышает издержки на миграцию».

Это переведет индустрию ИИ из логики пресс-релизов в логику корпоративного программного обеспечения. На самом деле, будущие действительно ценные продукты — это не обязательно модели, которые ежемесячно обновляют рейтинги, а те, которые через полгода остаются стабильными, с контролируемыми затратами, поддаются аудиту поведения, совместимы по интерфейсам и продолжают генерировать бизнес-результаты. Суть усталости от моделей — не в потере интереса к ИИ, а в том, что компании наконец начали приобретать ИИ так, как покупают серьезную производственную технологию.

Следующий этап будет оцениваться не только по интеллекту, но и по экономичности, стабильности, безопасности и способности к управлению. Когда рынок начнёт уставать от «самой мощной модели каждую неделю», настоящие продукты, создающие ценность, отфильтруются из шума.

[1] Джонатан Вэйниан, «Утомление от моделей» нарастает, поскольку лаборатории ИИ спешат запустить новые версии с невероятной скоростью», CNBC, 2026-09-06.

[2] Gartner, «Gartner прогнозирует рост мировых расходов на ИИ на 47% в 2026 году», 2026-05-19.

[3] Gartner, «Только 22% организаций успешно масштабировали ИИ через несколько бизнес-подразделений», 2026-09-01.

[4] OpenAI, «GPT-6 Astra: Новое поколение интеллекта» и «Обзор безопасности: GPT-6 Astra», 2026-09-03.

[5] Anthropic, данные о продукте и системной карте «Claude Fable 5.1 / Claude Mythos 5.1», 2026-09-01.

[6] Google, «Представляем Gemini 3.8 Flash и 3.8 Flash Cyber», 2026-09-02.

[7] Meta AI Research, «Представляем Muse Spark 1.3», 2026-09-02.

[8] Reuters, «Nvidia вкладывает 13 миллиардов долларов в открытые ИИ-модели с сделкой с Hugging Face», 2026-09-03.