Ключевые выводы

ИИ развивается неравномерно — и это нормально. Каждая область имеет свой потолок, свои метрики и свой путь от «демо на конференции» до «инструмента, на который можно положиться в продакшене». Сравнивать GPT с человеком «в целом» бессмысленно; сравнивать уровень автоматизации конкретной деятельности — полезно.

Главный сдвиг — от «умеет» к «умеет стабильно и автономно». Первый раз научиться генерировать видео — прорыв. Сделать это десять раз подряд с предсказуемым результатом — зрелость. Именно переход к надёжности, управляемости и приемлемой стоимости определяет, когда человек перестаёт быть необходимым на каждом шаге.

Профессия меняется не через замену, а через смену роли. Программист, дизайнер, аналитик, музыкант — всё чаще становятся операторами и кураторами систем, которые выполняют 80% рутины. Ценность человека смещается к постановке цели, проверке результата и ответственности за итог.

Почему вопрос «насколько умный ИИ?» неправильный

Представьте оценку врача по одному параметру: «насколько хорошо он умеет всё». Хирург и терапевт, педиатр и рентгенолог — разные профили. ИИ устроен так же, только разброс между «сильными» и «слабыми» сторонами ещё шире.

Это явление называют неровным интеллектом (jagged intelligence): модель решает олимпиадную задачу по математике и путает даты в резюме. Генерирует рабочий микросервис и не понимает, почему бизнес отказался от старого API пять лет назад. Пишет связный текст на десять страниц и вставляет несуществующую ссылку на исследование.

Поэтому измерять прогресс ИИ как один процент «общего интеллекта» — методологическая ошибка. Правильнее смотреть на уровень автоматизации конкретной деятельности: насколько хорош результат, насколько стабилен, сколько стоит, нужен ли человек в цикле и как долго система может работать без вмешательства.

Главный вопрос этой статьи:

В каких областях ИИ уже стал полноценным инструментом, а где пока остаётся впечатляющей игрушкой?

Как измерять прогресс: шкала зрелости

Предлагаю простую шкалу от 0 до 5 — не академический стандарт, а практическая линейка для ориентира:

Одной цифры мало. При оценке области полезно держать в голове восемь критериев:

• качество результата — насколько близко к профессиональному стандарту;
• стабильность — одинаковый ли результат при повторных запусках;
• управляемость — можно ли точно задать, что нужно изменить;
• исправляемость ошибок — легко ли поправить без переделки с нуля;
• длительность автономной работы — сколько шагов подряд система тянет без сбоя;
• стоимость — доступна ли технология для массового применения;
• скорость — укладывается ли в рабочий ритм;
• необходимость контроля — где человек обязателен по закону, по риску или по качеству.

Две области с одинаковой «звёздочкой» могут отличаться: текст и кодинг оба на высоком уровне, но у кода другие риски (безопасность, регрессии), у текста — фактические галлюцинации.

Программирование — одна из самых зрелых областей

Разработка ПО — редкий случай, когда ИИ вошёл в ежедневную работу миллионов специалистов не через презентацию, а через IDE. Cursor, GitHub Copilot, Claude Code, Windsurf и десятки аналогов изменили привычный цикл: написать → запустить → отладить → закоммитить.

Что уже умеет ИИ

Современные модели и агенты уверенно:

• пишут и дополняют код на десятках языков;
• объясняют чужой код и строят карту зависимостей;
• находят ошибки, предлагают исправления и рефакторинг;
• генерируют тесты и документацию;
• работают с issues и pull request'ами;
• собирают приложения по описанию — от одного файла до многофайлового проекта;
• вызывают инструменты: терминал, браузер, API, поиск по репозиторию.

В корпоративном контуре это уже не эксперимент. Команды используют ИИ для онбординга в проекты с многолетней историей, для ускорения рутинных задач и для прототипирования. Подробнее о том, как зрелые команды внедряют ИИ без хайпа — в материале о практиках топовых инженерных команд.

Где потолок

Архитектура больших систем по-прежнему требует человека: trade-off'ы между согласованностью и автономностью сервисов, выбор границ модулей, эволюция платформы на годы. ИИ слаб в бизнес-контексте — «почему так сделали в 2019 году» редко лежит в коде. Долгосрочное сопровождение — ответственность, регрессии, согласование с десятками стейкхолдеров — остаётся на команде.

Проверка корректности сложных решений (безопасность, конкурентность, финансовые расчёты) без эксперта опасна: модель звучит убедительно даже когда ошибается.

Главный вопрос

ИИ уже заменяет программиста или превращает его в оператора более мощной системы?

Скорее второе — пока. Ценность смещается к постановке задачи, выбору архитектуры, ревью и ответственности за продакшен. Но доля автоматизируемой рутины растёт быстрее, чем доля задач, где нужен только «чистый» инженерный judgment.

Оценка зрелости: ★★★★★ (5/5) — профессиональный инструмент с заделом на автономных агентов разработки.

Текст и работа со знаниями

Языковые модели — фундамент, на котором стоит большинство остальных прорывов. Текст, перевод, резюмирование, классификация, извлечение сущностей, мозговой штурм, диалоговое обучение, анализ сотен документов за минуты — всё это уже встроено в рабочие процессы от поддержки клиентов до юридических и исследовательских отделов.

Что практически решено

Для задач, где истинность можно проверить постфактум или где ошибка дешёвая, LLM — зрелый продукт. Черновик письма, структура статьи, перевод интерфейса, FAQ по внутренней базе, первичная сортировка обращений — стандартный стек 2026 года.

Работа с большими объёмами текста — отдельное преимущество: модель не устаёт читать тысячу страниц регламента. В связке с RAG (поиск по корпоративным данным с генерацией ответа) это основа корпоративного ИИ.

Где остаются проблемы

Фактические ошибки и галлюцинации не исчезли. Модель достраивает правдоподобное из статистики языка. Сложные причинно-следственные рассуждения — слабое место: цепочки из пяти–семи шагов с проверкой гипотез требуют верификации.

Нет гарантии истинности без внешних источников, инструментов проверки или человека в контуре. Для высокорисковых доменов (медицина, право, финансы) текстовый ИИ — помощник, не оракул.

Оценка зрелости: ★★★★★ (5/5) — с оговоркой: качество зависит от процесса проверки, не только от модели.

Изображения — ИИ стал инструментом дизайнера

Генерация картинок прошла путь от «случайного арта» до редактирования с сохранением композиции. Раньше запрос звучал как «создай красивую картинку». Сейчас — «измени объект на переднем плане, сохрани освещение и фон».

Возможности

Модели вроде Midjourney, DALL·E, Stable Diffusion, Flux и их наследники закрывают:

• концепт-арт и иллюстрации;
• рекламные визуалы и варианты дизайна;
• стилизацию и перенос эстетики;
• создание персонажей и окружений;
• inpainting и точечное редактирование.

Дизайнеры используют ИИ как генератор вариантов, а не как финальный артдиректор: быстрее десять направлений, чем один идеальный с первого раза.

Ограничения

Точный контроль — слабое место: нужный ракурс, точный текст на вывеске, сложная перспектива с десятком объектов — всё ещё лотерея. Постоянство персонажа между кадрами и сессиями требует дополнительных техник (референсы, LoRA, ручная доводка). Воспроизводимость — два запуска с «тем же» промптом дают разные результаты.

Оценка зрелости: ★★★★☆ (4/5) — сильный профессиональный инструмент с ограничениями на контроль и pipeline.

Музыка — от фрагмента к законченному произведению

Музыкальные модели за два–три года прошли тот же скачок, что изображения — за пять. Раньше — короткий луп или инструментальный фрагмент. Сейчас — песня с вокалом, аранжировкой и структурой куплет-припев.

Что умеют модели

Suno, Mureka, Lyria (Google), ElevenLabs Music, MiniMax Music и специализированные open-source решения создают:

• полноценные композиции с вокалом и инструментами;
• аранжировки в заданном жанре;
• sound design и атмосферные подложки;
• вариации на основе референса или текста.

По сравнительным бенчмаркам инструментальной генерации (август 2026) лидеры вроде Suno V5.5 и Mureka V9 различаются скорее качеством и управляемостью, чем самим фактом «умеет / не умеет» создавать музыку. Гонка сместилась с демонстрации возможности на тонкую настройку.

Главная проблема

ИИ уже создаёт музыку лучше, чем умеет редактировать её. Нужно заменить только басовую линию в третьем такте, сохранить вокал, но изменить темп — это всё ещё ближе к ручной работе в DAW, чем к диалогу с моделью. Авторский замысел на длинной дистанции (альбом как целое, единая палитра) слабо удерживается.

Оценка зрелости: ★★★★☆ (4/5) — законченные произведения да; полноценная замена продюсера — нет.

Видео — впечатляющее, но ещё не зрелое

Видео — самая зрительно эффектная и одна из наименее «ровных» областей. За три года индустрия прошла цепочку:

текст → изображение → видео из кадра → видео из текста → мультимодальный ввод → видео со звуком как законченная сцена.

Что умеют модели

Veo, Seedance, Kling, Runway, Wan и десятки других генерируют реалистичные сцены, движение камеры, персонажей, lip-sync, короткие сюжетные фрагменты, спецэффекты и всё чаще — звук в одном проходе. Современные системы демонстрируют не только визуальную правдоподобность, но и зачатки понимания поведения объектов — см. AI Index 2026 (Stanford HAI).

Рейтинги меняются быстро: на text-to-video арене (август 2026) в верхней части — Wan 3.0, Gemini Omni Flash, MiniMax H3. Через квартал список может выглядеть иначе — это признак живой, а не зрелой отрасли.

Главная проблема — время, не кадр

Один красивый кадр — решённая задача. Последовательность событий — нет:

• персонаж должен оставаться тем же лицом и в одежде;
• объект сохраняет свойства при движении;
• физика не «ломается» между секундами;
• камера следует сценарию, а не случайному дрейфу;
• история должна тянуться десятки секунд и минуты, не только 5–10.

Временная согласованность (temporal consistency) — главный барьер между «клип для соцсети» и «сценой для монтажа в фильм».

Оценка зрелости: ★★★☆☆ (3/5) — сильные короткие сцены; слабая длинная режиссура.

Голос и речь — практически решённая задача

Речевой стек — один из самых «незаметных» успехов ИИ: пользователь перестаёт думать «это синтезатор».

Возможности

• распознавание речи (speech-to-text) с высокой точностью на основных языках;
• синтез (text-to-speech) с естественной интонацией;
• клонирование голоса по короткому образцу;
• перевод с сохранением тембра;
• эмоциональная окраска и разговор в реальном времени.

Голосовые ассистенты, дубляж, аудиокниги, accessibility — всё это уже на уровне продукта, не лаборатории.

Ограничения

Долгие монологи без «провала» энергии, тонкая режиссура интонации, полная эмоциональная достоверность в драматических сценах — ещё не идеал. Безопасность клонирования голоса — отдельный пласт: deepfake-звонки и мошенничество требуют технических и правовых барьеров.

Оценка зрелости: ★★★★★ (5/5) — с оговоркой по злоупотреблениям и edge-case интонации.

3D и игровые миры

Следующий рубеж после картинки и видео — интерактивность. Не «создай модель», а «создай мир, в котором можно ходить».

Генерация

ИИ уже помогает с объектами, текстурами, окружениями, персонажами, анимациями и игровыми ассетами. Пайплайны ускоряют препродакшен: быстрее набросать уровень, чем лепить каждый камень вручную.

Что мешает production

• геометрическая точность и чистая топология для анимации;
• согласованность между ассетами одной сцены;
• физика и коллизии;
• интеграция с движком (Unity, Unreal) без ручной переделки.

Пока это ускоритель художника и техартиста, не кнопка «сгенерировать AAA-игру».

Оценка зрелости: ★★★☆☆ (3/5) — сильная генерация черновиков; слабый end-to-end pipeline.

Наука и математика

ИИ как исследовательский ассистент — реальность 2026 года: анализ статей, написание кода для экспериментов, поиск закономерностей, помощь в формулировке гипотез. Отдельные системы решают олимпиадные и исследовательские задачи, в ряде случаев — с участием в доказательствах.

Парадокс неровного интеллекта

Модель может продвинуться в сложной задаче и ошибиться в элементарной. Это лучший аргумент против единой шкалы «IQ для ИИ». Надёжность важнее пикового блеска — тема, близкая к верификации математических рассуждений LLM.

Следующий уровень

Научный агент: гипотеза → эксперимент → анализ → новая гипотеза — цикл, который пока требует человека на критических вехах. Полная автономия в науке — амбиция, не текущий стандарт.

Оценка зрелости: ★★★☆☆ (3/5) — мощный ассистент; слабая автономная надёжность.

Робототехника — цифровой ИИ встречает физический мир

В коде ошибка — неправильный ответ. В физическом мире — сломанный предмет, падение, травма. Это принципиально другой класс рисков.

Что уже умеют

Роботы и встраиваемый ИИ распознают объекты, планируют траектории, выполняют отдельные манипуляции на складах и в производстве. Обучение с подкреплением и симуляция сдвинули границы отдельных задач.

Что остаётся сложным

Ловкость рук (dexterity), работа в непредсказуемой среде, долгосрочное планирование, безопасность при контакте с людьми — всё это на порядок сложнее, чем сгенерировать текст. Цифровой ИИ «убежал вперёд»; тело робота и законы физики — нет.

Оценка зрелости: ★★☆☆☆ (2/5) — точечные успехи; нет массовой автономии в открытом мире.

Автономные агенты — следующий большой рубеж

Отдельная ось зрелости — не модальность (текст, видео), а способ работы.

Агенты — логическое продолжение зрелого кодинга и текстовых моделей: те же LLM, но с доступом к действиям. Подробнее о корпоративном контуре — в статьях про агентов и платформу для агентов, а не скорость.

Главная проблема

Не отдельная операция, а длинная цепочка. Десять шагов подряд без сбоя — экспоненциально сложнее одного удачного шага. Ошибка на шаге 7 портит всё, что было до неё. Надёжность агентов — ключевой фронт 2026–2027 годов; см. также таксономию маршрутизации LLM и операционные системы для агентов.

Оценка зрелости: ★★★☆☆ (3/5) — сложные демо и пилоты есть; промышленная надёжность — в процессе.

Сводная карта зрелости ИИ

Карта — снимок на середину 2026 года. Через год строки сдвинутся; видео и агенты, вероятно, быстрее остальных.

ИИ развивается не по прямой

Не существует одной шкалы «интеллект ИИ = 80%». Есть множество независимых осей: язык, зрение, слух, программирование, музыка, видео, математика, физический мир, планирование, автономность.

ИИ — не «разум определённого уровня», а профиль способностей с провалами и пиками. Это важно для стратегии: компания, которая внедрила чатбота для поддержки, ещё не «готова к роботам на складе». Пилот с генерацией видео не означает зрелость в код-ревью без человека.

Где ИИ продвинется дальше всего

Ближайший горизонт (1–2 года)

• агенты для разработки — от автодополнения к автономным задачам с merge в репозиторий под контролем;
• видеопродакшен — более длинные согласованные сцены, интеграция в монтаж;
• музыкальный продакшен — лучшее редактирование и стыковка с DAW;
• исследовательские агенты — циклы «литература → код → эксперимент» с верификацией;
• мультимодальные ассистенты — единый интерфейс к тексту, голосу, экрану, инструментам.

Следующий уровень (3–5 лет)

• автономные команды агентов с разделением ролей;
• AI-native разработка — спецификация и тесты как главный артефакт, код генерируется под них;
• полноценные фильмы из сценария с правкой, а не только клипы;
• интерактивные виртуальные миры с генерируемым контентом в рантайме;
• научные агенты с воспроизводимыми экспериментами.

Самый трудный уровень

• робототехника в неструктурированной среде;
• физический мир с безопасностью и ответственностью;
• долгосрочная автономность без деградации целей и накопления ошибок.

Прогнозы — не гарантии. Но история показывает: цифровые модальности зреют быстрее, чем связка «интеллект + тело + регуляторика».

Как меняется идея профессии

Главный переход для многих специальностей:

инструмент → помощник → оператор → (частично) автономный исполнитель.

Если ИИ закрывает 80% работы, ценность человека смещается:

• постановка цели и критериев успеха;
• проверка в высокорисковых точках;
• ответственность перед заказчиком, законом, обществом;
• то, что не попало в обучающие данные — контекст, переговоры, этика.

Вопрос не «заменят ли», а что останется exclusively human при текущей траектории.

Частые вопросы

Дополнительные материалы

• Может ли ИИ разобраться в проекте с 15-летней историей — зрелость ИИ в legacy-коде
• Почему корпоративному ИИ нужны агенты — от чата к действиям
• Будущее корпоративного ИИ — платформа, а не одна модель
• Как топовые команды внедряют ИИ — практика без хайпа
• Почему появились LLM — контекст технологического скачка
• Математические доказательства LLM требуют верификации — неровный интеллект в действии
• Antigravity: операционная система для агентов — инфраструктура автономности

Заключение

ИИ уже не стоит оценивать вопросом «может ли это сделать?». Правильный вопрос:

Насколько надёжно, автономно и дёшево ИИ может это делать?

Переход «умеет» → «умеет стабильно» → «умеет автономно» определяет реальную зрелость — и реальное влияние на профессии.

ИИ не движется к одному универсальному уровню интеллекта. Он постепенно захватывает отдельные человеческие способности — одну за другой. Самое интересное сейчас происходит не там, где модель впервые научилась что-то делать, а там, где она научилась делать это достаточно хорошо, чтобы человек перестал быть необходимым на каждом шаге.

На этой неделе выберите одну строку из сводной таблицы, которая ближе всего к вашей работе, и честно оцените её по восьми критериям — не по ощущениям из Twitter, а по последнему реальному пилоту. Это точнее любого «общего IQ ИИ».