Обзор состояния AI на 2025 год и прогнозы на будующее

Год почти прошел и пришло время сделать обзор State of AI на этот год и прогнозы на следующий. За основу были взяты отчеты ведущих организаций мира: MIT, PwC, OpenAi, Open Router и тп.

Парадокс “Высокие темпы внедрения - слабая трансформация” 😢

В корпоративном ландшафте искусственного интеллекта (ИИ) наблюдается огромный разрыв: организации широко используют инструменты ИИ, но лишь немногие получают измеримую финансовую отдачу. Фактически 95% не получают ровным счетом ничего - дырку от бублика, несмотря на огромные вложенные деньги. И да, можете наконец выдохнуть - не только у вас такая печальная ситуация, это касается практически всех. Несмотря на квадриллионы технологических конференций, где компании хвастаются чудесами ИИ, - анонимные опросы показывают, что ситуация в значительной степени та же, что и с подростковым сексом - много разговоров, но мало кто из подростков на самом деле им занимается.

Отчет MIT называет это Разрывом GenAI.

Данные убедительно демонстрируют обе стороны парадокса:

Прибыль генерируется на уровне отдельных сотрудников (например, инженеры сообщают о более быстрой поставке кода), но она часто рассеивается, не достигая уровня компании, потому что компании не смогли подстроить свои системные процессы так чтобы это влияло на общий результат.

Итак, почему это происходит?

Как и с любой новой технологией, это довольно ожидаемый ход событий. То же самое происходило с интернетом, а до этого с электричеством. Фактически, ИИ внедряется рекордными темпами: уже через 2 года мы наблюдаем массовые инвестиции и использование, тогда как для Интернета это заняло около 10 лет, а для электричества - около 30 лет.

Так что отчасти это ожидаемо: части системы развиваются с разной скоростью, и именно здесь система дает сбой.

Давайте рассмотрим конкретные причины:

1. Организационная и культурная инерция

Основным барьером на пути успешного масштабирования часто является культурная и организационная, а не техническая проблема.

Неспособность перепроектировать рабочие процессы - большинство организаций подходят к ИИ как к инструменту увеличения (выполнение той же задачи немного быстрее), а не как к катализатору трансформации (или перепроектирования всего бизнес-процесса).

Провал пилотов - несмотря на пилотирование в 80% организаций, преобразование этих экспериментов в масштабируемые, интегрированные в рабочий процесс системы остается редкостью, часто терпя неудачу из-за хрупких рабочих процессов, отсутствия контекстного обучения или (очень часто) потому что главный драйвер внедрения потерял интерес или покинул компанию.

Согласно отчетам, только около 5% пользовательских корпоративных инструментов ИИ фактически достигают стадии производства. Я думаю, это очень завышенное число из-за более высокого уровня успеха в технологической сфере; в других отраслях оно, вероятно, меньше.

Теневой ИИ - значительная часть внедрения происходит вне официальных каналов; более 90% опрошенных работников используют личные инструменты ИИ (например, ChatGPT или Claude) для рабочих задач, хотя только 40% компаний официально приобрели подписку. Мы все знаем, что люди так делают, не так ли? Это как пытаться запретить школьнику использовать ИИ для выполнения домашнего задания.

Теневое использование ИИ доказывает полезность технологии, но демонстрирует критический организационный провал в безопасном и надежном встраивании этих инструментов в масштабе компаний.

Психологическая безопасность - страх и нежелание сотрудников заметно препятствуют внедрению. 83% руководителей сообщили, что психологическая безопасность напрямую влияет на успех инициатив в области ИИ. Более того, 22% признались, что не решались возглавить проекты ИИ из-за страха неудачи или потенциальной критики. С таким уровнем успеха внедрения я их совершенно не виню - это карьерное самоубийство.

2. Техническое и стратегическое несоответствие

Это очень умно звучащее название скрывает очень простую идею. Легко винить во всем компании и людей, но давайте будем честны - виновата и сама технология. NVidia, OpenAI и другие “эксперты” довольно агрессивно рекламировали и давали чрезмерные обещания в течение последних трех лет. Неудивительно, что люди поверили, что новая эра AGI наступит прямо СЕЙЧАС. Что является наглым враньем. Это произойдет не сегодня, не завтра и не в следующем году. Таким образом, у людей (под людьми я имею в виду людей уровня C-level, хотя поговаривают, что это и не люди вовсе, а рептилоиды, управляемые бонусами) были чрезмерно завышенные ожидания от технологии.

Реальность такова, что во многих случаях для сложных, общекорпоративных задач технология еще не готова. Инструменты фундаментально ограничены в контексте сложных, ключевых бизнес-процессов. Инструменты генеративного ИИ часто терпят неудачу в критически важных рабочих процессах, поскольку они статичны - они никак не используют обратную связь, не адаптируются к контексту и не совершенствуются со временем.

Пользователи сообщают, что крайне скептически относятся к предлагаемым поставщиками инструментам, т.к. у них отсутствует долгосрочная память и контекст для корректной работы. Люди, с другой стороны, учатся, хотя и не так быстро, но, по крайней мере, они делают это сами в процессе работы - в некотором смысле это истинное обучение без учителя.

В более сложных, например агентных, рабочих процессах, способных дольше сохранять контекст, ошибки могут произойти на любом шаге рабочего процесса, и они нелинейно накапливаются с увеличением количества шагов. Это делает агентов не слишком надежными. В человеческих же рабочих процессах, где каждый шаг выполняется отдельным сотрудником, существует высокая вероятность того, что ошибка будет обнаружена на следующем шаге и система ретроактивно самокорректируется (проще говоря вернет все взад) если это возможно, хотя это может занять много времени.

3. Инвестиционная предвзятость

Организации демонстрируют инвестиционную предвзятость в отношении функций внешнего офиса, таких как продажи и маркетинг, выделяя туда существенные бюджеты, потому что результаты очень заметны и их легче измерить (например, персонализированный контент и умная оценка потенциальных клиентов). И поэтому менеджерам гораздо легче хвастаться и получать повышение. Однако автоматизация бэк-офиса в таких областях, как финансы и производство, обычно получает меньше внимания и ресурсов.

Это во многом связано с тем, что непосредственное финансовое влияние этих внутренних функций часто трудно количественно оценить в беседах с руководителями или отчетах для инвесторов, хотя именно здесь финансовое воздействие могло бы быть гораздо более существенным.

4. Отставание в управлении агентным ИИ

Нынешнее быстрое развертывание агентных ИИ, которые могут действовать независимо - усугубляет проблему трансформации. Этот сдвиг влечет за собой совершенно новые операционные и комплаенс-риски, с которыми не могут справиться традиционные модели управления. Это отставание в нормативном мониторинге упоминается как одна из основных проблем внедрения 40% лиц, принимающих решения в области ИИ, что напрямую замедляет масштабированное развертывание.

5. Сложность измерения эффекта

Очень сложно определить точный эффект во многих областях, особенно за прошедшее короткое время. Для структурных изменений или небольших улучшений процессов потребуются годы сбора данных, чтобы понять, какие улучшения они приносят. И это при условии, что эти данные вообще собираются, что часто не так.

Те, кто добивается успеха

И все-же примерно 5% компаний добиваются успеха. Что они делают по-другому?

1. Стратегическое приоритет и дисциплина

Успешные организации рассматривают ИИ не как периферийный инструмент, а как стратегический приоритет, управляемый с самых высоких уровней руководства. Это означает, что высшее руководство определяет программу “сверху вниз”, выбирая несколько сфокусированных областей для инвестиций, вместо того чтобы распылять усилия на спорадические инициативы, созданные методом краудсорсинга, и назначает топ сотрудников на эти ключевые области. Сотрудников с ресурсами и полномочиями для внедрения значительных изменений.

2. Операционная трансформация и перепроектирование рабочих процессов

Успешные организации перестраивают свои внутренние процессы, чтобы максимизировать присущую ИИ скорость и преимущества, а не просто применяют ИИ к старым задачам.

По нашему опыту, это также главный барьер - очень сложно автоматизировать и без того плохой процесс. Например, если данные хранятся в системах, где поиск и извлечение занимают минуты на один запрос, это сделает непригодным для использования любого помощника с ИИ (или без него). Любая трансформация ИИ потребует полного переосмысления рабочего процесса, иногда превращая многоэтапный процесс в один этап, а не просто автоматизируя небольшие части.

Цель - глубокая системная интеграция: преобразование внутренних знаний в машиночитаемые форматы, создание API для ключевых конвейеров данных и включение коннекторов, чтобы предоставить ИИ безопасный доступ к данным компании внутри основных инструментов для контекстно-зависимых ответов. Это гораздо дороже, чем просто создание системы RAG поверх существующей инфраструктуры данных.

3. Культурная готовность и психологическая безопасность

Успех во многом зависит от создания организационной культуры, которая смягчает сопротивление и страх, связанные с новыми технологиями и вытекающими изменениями в работе.

Они стараются четко сообщать, как ИИ повлияет и не повлияет на рабочие места, чтобы укрепить доверие и уменьшить сопротивление сотрудников. Они рассматривают ИИ как средство повышения производительности и перераспределения задач, а не как немедленное сокращение штата.

Наряду с этим они отслеживают нефинансовые показатели, такие как настроения сотрудников, уровень использования и воспринимаемая производительность на начальных этапах, и корректируют свою деятельность в соответствии с этим.

В целом этот фактор объясняет почему в IT компаниях внедрение идет быстрее - они культурно уже часто готовы.

4. Сфокусированное внедрение и внешние партнерства

Вместо того чтобы полагаться на медленные, внутренние ИТ-проекты и отделы, успешные компании используют внешних специализированных подрядчиков и уполномочивают оперативный персонал руководить изменениями.

Стратегические партнерства достигали развертывания примерно в два раза чаще (66%), чем внутренние разработки (33%).

Успешные поставщики поставляют системы, которые учатся на основе обратной связи, сохраняют контекст и адаптируются к конкретным рабочим процессам, устраняя пробел в обучении, который тормозит универсальные инструменты.

5. Измерение финансовой отдачи

Успешные компании фокусируются на преобразовании эффективности в ощутимую финансовую выгоду, особенно путем замещения существующих внешних расходов. Они устанавливают конкретные результаты и показатели производительности (такие как влияние на P&L или оценки удовлетворенности клиентов) вместо того, чтобы принимать абстрактные отчеты или расплывчатые улучшения процессов.

Финансовый эффект рассматривается не только как оптимизация затрат, но и как рост доходов за счет продуктовых инноваций, персонализации и повышения маржи.

Одним из ключевых источников количественно измеримой ценности в бэк-офисе является замещение внешних затрат, таких как отказ от внешних поставщиков и сокращение агентских сборов за создание контента, а не сокращение внутреннего штата сотрудников.

Отрасли с самым высоким уровнем внедрения

Данные от корпоративных клиентов ChatGPT, статистика OpenRouter и Anthropic по сгенерированным токенам показывают, что самые высокие показатели внедрения наблюдаются в секторах IT, продаж и маркетинга, а также медиа и развлечений и электронной коммерции.

Другими заметными секторами являются профессиональные услуги, финансы, здравоохранение и телекоммуникации (поддержка клиентов).

Статистика OpenRouter показывает, что использование токенов доминирует в двух основных категориях:

• Программирование: Запросы, связанные с помощью в кодировании, стали самой стабильно расширяющейся категорией, выросшей с примерно 11% от общего объема токенов в начале 2025 года до более 50% в последние недели на всех моделях платформы. Рабочие нагрузки программирования определены как доминирующий фактор роста токенов подсказок, часто превышающий 20 000 входных токенов.

• Ролевые игры: Эта категория, которая включает творческие диалоги (он же секстинг), рассказывание историй, ролевые игры персонажей и игровые сценарии, занимает огромное место в использовании, почти конкурируя с объемом программирования. Среди моделей с открытым исходным кодом в частности, на ролевые игры приходится более половины (примерно 52%) всего использования. В этом сегменте пользователи рассматривают LLM как структурированные движки для ролевых игр или персонажей, часто для интерактивной фантастики и генерации сценариев. Для Deepseek на OpenRouter это составляет 80%.

Все это вовсе не удивительно - в секторах, где галлюцинации не критичны или управляемы (программирование), или где это не проблема, а особенность (ролевые игры и маркетинг), наблюдается самое высокое внедрение.

Также стоит отметить, что Anthropic доминирует в категории кодирования, согласно данным OpenRouter и Anthropic:

Сегментация рабочей нагрузки по стоимости и ценности

Анализ OpenRouter отображает варианты использования LLM на основе совокупного объема использования по сравнению с удельной стоимостью, выявляя различные сегменты рынка.

Быстрый рост использования моделей рассуждения, более длинных последовательностей и поведения вызова инструментов предполагает, что использование LLM уходит от одношаговых запросов в сторону агентного вывода. Этот сдвиг отражен в том факте, что доля общего количества токенов, направляемых через модели, оптимизированные для рассуждения, теперь превышает пятьдесят процентов. Это изменение фундаментально меняет рынок, поскольку модели все чаще используются для сложных, многошаговых операций, таких как вызов внешних API (поведение вызова инструментов) и структурированное решение проблем (рассуждение), часто сконцентрированных в программировании.

Географическая сегментация

Корпоративное внедрение

В отличие от традиционных циклов внедрения технологий, развивающиеся экономики опережают Запад по темпам бизнес-развертывания. Индия (59%), ОАЭ (58%) и Россия (71% крупных компаний) лидируют по показателям внедрения, что значительно выше, чем в США (33%) и Великобритании (37%).

Этот всплеск в значительной степени обусловлен агрессивными национальными мандатами, такими как цель ОАЭ стать первым полностью AI-нативным правительством к 2027 году и массивные инвестиции Индии в общественную инфраструктуру ИИ, а также тем фактом, что в абсолютных числах в США значительно больше крупных компаний, и многие из них не являются публичными и не сообщают публично об использовании ИИ.

География существенно влияет на использование ИИ

Согласно данным Anthropic, в странах с высоким уровнем внедрения (например, Сингапур, Канада) использование очень разнообразно, охватывая образование, науку и сложные бизнес-операции. Сингапур имеет один из самых высоких показателей использования на душу населения: в 4,6 раза больше, чем ожидалось от его доли населения, а Канада - в 2,9 раза. Напротив, развивающиеся страны, включая Индонезию (0,36x), Индию (0,27x) и Нигерию (0,2x), меньше используют Claude.

Развивающиеся рынки (например, Индия, Вьетнам) - использование сильно сконцентрировано на кодировании и разработке программного обеспечения. В Индии на программирование приходится более 50% всего использования ИИ по сравнению с примерно одной третью в мире.

В Соединенных Штатах использование связанно в управление домашним хозяйством, поиск работы, медицинские и фитнес консультации. В США Вашингтон, округ Колумбия, и Юта лидируют по использованию на душу населения, сильно опережая Калифорнию.

Инфраструктура

Существует огромный диспаритет в физической основе ИИ. По состоянию на середину 2025 года в странах с высоким уровнем дохода размещается 77% мировых мощностей центров обработки данных. Страны с низким уровнем дохода имеют менее 0,1% этой мощности.

Использование языков

Согласно исследованию 100 триллионов токенов, проведенному OpenRouter, распределение языков, используемых во взаимодействиях с ИИ, сильно сконцентрировано в нескольких ключевых областях, при этом английский язык является подавляюще доминирующим.

Конкретное распределение объема токенов по языкам выглядит следующим образом:

• Английский: 82,87%

• Китайский (упрощенный): 4,95%

• Русский: 2,47%

• Испанский: 1,43%

• Тайский: 1,03%

• Прочие (в совокупности): 7,25%

Источники предполагают, что крайнее доминирование английского языка является не просто предпочтением, а отражением двух структурных факторов: преобладания англоцентричных моделей и перекоса пользовательской базы OpenRouter в сторону разработчиков. Поскольку программирование является самой быстрорастущей и наиболее контекстно-емкой категорией на платформе (составляя более 50% недавнего объема), использование английского языка в качестве основного языка для кода и документации, естественно, завышает его долю.

Основные тенденции 2025 года

1. Переход от вспомогательных инструментов к агентной автономии

Самым значительным техническим сдвигом среди источников является рост агентного ИИ, переход от однопроходной генерации текста к автономным системам, способным рассуждать, планировать и выполнять многошаговые задачи с минимальным вмешательством человека. Эта эволюция выражена 320-кратным годовым увеличением потребления thinking токенов, поскольку предприятия отходят от случайных запросов к интегрированным, повторяющимся процессам. Это открывает новую эру в плане рисков и работы с ними - что привело к новой нише в сфере безопасности, так называемый AI-Security.

2. Коммерческий всплеск «вайб-кодинга»

Инструменты разработки на основе ИИ положили начало эре “вайб-кодинга”, когда люди создают целые приложения из подсказок на естественном языке с минимальным техническим надзором. Эта тенденция уже привела к прорывным успехам, таким как стартап Lovable, ставший «единорогом» всего через восемь месяцев после запуска, причем примерно 95% его кода было написано ИИ. Однако это быстрое создание влечет за собой новые уязвимости; например, злоумышленники уже начали взламывать расширения AI IDE для кражи учетных данных и майнинга криптовалюты на машинах разработчиков.

3. Географическое разделение и cуверенный ИИ

Глобальное внедрение ИИ характеризуется сменой лидерства; в то время как США остаются лидером по инвестициям, развивающиеся экономики, такие как Индия и ОАЭ, теперь лидируют в мире по темпам операционного развертывания. Это вызвало глобальный толчок к национальным программам в ИИ, где страны и компании уделяют первостепенное внимание сохранению конфиденциальных данных, моделей и вычислительных ресурсов в пределах своих национальных границ для обеспечения технологической независимости. Эта тенденция поддерживается масштабными государственными инвестициями, такими как индийская миссия ИИ стоимостью 10 300+ крор и цель ОАЭ стать полностью AI-нативным правительством к 2027 году, а также стремление Китая к аппаратной независимости и производству собственных графических процессоров.

4. Использование теневого ИИ

В то время как официальные системы корпоративного уровня часто останавливаются - только 5% пользовательских корпоративных инструментов ИИ достигают стадии производства - сотрудники преодолевают разрыв в ценности индивидуально. 90% сотрудников сообщают об использовании личных инструментов ИИ для работы, хотя только 40% их работодателей приобрели официальные подписки.

5. Появление китайских моделей

Экосистема с открытым исходным кодом перешла от почти монополии, в которой доминировали несколько известных западных компаний (проще говоря известная своим экстремизмом Мета) или ранних китайских моделей, к высококонкурентной среде.

Модели, разработанные в Китае (такие как DeepSeek, Qwen и Kimi), выросли с незначительной базы до примерно 13%-30% от общего еженедельного объема токенов.

На Hugging Face Qwen от Alibaba обогнал Llama как основной выбор для разработчиков, на него приходится более 40% новых ежемесячных производных моделей, в то время как доля Llama упала с примерно 50% до 15%.

Чтобы соответствовать постулируемой парадигме “ИИ для Америки” и противостоять международной конкуренции, OpenAI выпустила свои первые открытые модели после GPT-2, запустив семейство gpt-oss (варианты 120b и 20b) в августе 2025 года.

6. Эволюция генерации видео от клипов к World Models

Генерация видео эволюционировала от клиповых моделей, которые производят фиксированные последовательности, до моделей мира, способных генерировать будущие кадры на основе состояния и действий пользователя. Индустрия движется в сторону Диффузионных Трансформеров (DiT), которые заменяют традиционные сверточные U-Net для лучшего моделирования зависимостей между кадрами и пикселями.

Это новое поколение моделей (Sora 2, veo3) представляет синхронизированный диалог и звук, более сложную физику и возможность вставлять реальных людей с их фактическим голосом и внешностью. Китайские лаборатории быстро развились и в этом направлении - модели, такие как Kling 2.1 и Vidu 2.0, сосредоточены на скорости и реализме, а HunyuanVideo от Tencent создал экосистему моделей с открытым весом, которая, как считают некоторые, превосходит западные проприетарные модели.

Genie 3 от Google DeepMind может генерировать исследуемые 3D-миры из текстовых подсказок со скоростью 24 кадра в секунду, поддерживая предсказываемые события, такие как изменения погоды, с сохранением объектов.

Наконец-то появился и реальная бизнес модель, например Synthesia превысила $100 млн годового регулярного дохода и сгенерировала более 30 миллионов минут видео с аватарами для 70% компаний из списка Fortune 100. AMC Networks официально приняла Runway AI для производства телепередач.

Источники прогнозируют, что к 2026 году генеративные видеоигры в реальном времени станут одними из самых просматриваемых игр на таких платформах, как Twitch. Кроме того, ожидается, что короткометражные фильмы, созданные ИИ, получат высокую оценку аудитории, и с тем, конечно, вызвав значительную негативную реакцию в отрасли.

Прогнозы

И так мы плавно переходим к прогнозам.

1. Значительная коррекция рынка. Эксперты прогнозируют коррекцию рынка ИИ в 2026 году, вызванную растущим разрывом между завышенными обещаниями и реальной ценностью, которую получают компании. Ожидается, что инвесторы перейдут от принципа “рост любой ценой” к строгому требованию ощутимой отдачи, что приведет к оттоку капитала из спекулятивных технологических акций.

2. Увеличение мировых расходов на ИИ. Несмотря на коррекцию, по прогнозам, мировые расходы на ИИ достигнут почти 1,5 триллиона долларов в 2025 году и превысят 2 триллиона долларов в 2026 году. Этот рост будет обусловлен интеграцией ИИ в потребительские товары, такие как смартфоны и ПК, наряду с продолжающимися масштабными инвестициями в инфраструктуру центров обработки данных.

3. Вклад в мировую экономику в размере $15,7 трлн. Прогнозируется, что к 2030 году искусственный интеллект внесет ошеломляющие 15,7 триллиона долларов в мировую экономику. В отдельных регионах, таких как Индия, ожидается, что к 2035 году ИИ добавит 1,7 триллиона долларов к национальной экономике.

4. Автономное научное открытие от начала до конца сделанное ИИ. Одно из самых смелых исследовательских предсказаний заключается в том, что ИИ-агенты с открытым исходным кодом совершат значимое научное открытие, охватывая все: от первоначальной гипотезы и экспериментирования до финальной итерации и опубликованной статьи.

5. Генеративные видеоигры в реальном времени. Как упоминалось выше, прогнозируется, что к 2026 году генеративная видеоигра в реальном времени - в которой окружение и повествование создаются ИИ на лету - станет самым просматриваемой на Twitch.

6. Глобальные дебаты по поводу агентных атак. Источники предсказывают, что кибератака, основанная на дипфейках или ИИ-агентах, в конечном итоге спровоцирует первые в истории экстренные дебаты ООН, посвященные исключительно безопасности ИИ.

7. Становление безопасности ИИ как отдельной, большой сферы. Наступательные возможности ИИ для кибератак в настоящее время удваиваются каждые пять месяцев, опережая защитные меры. Это ускорение привело к появлению вайб-хакинга, когда преступники используют ИИ для организации многоэтапных мошеннических операций, включая проникновение северокорейских оперативников в компании из списка Fortune 500, использующих ИИ для прохождения технических собеседований.

8. Агентная коммерция и рынок рекламы на $5 млрд. Источники прогнозируют, что ИИ-агенты скоро будут самостоятельно обрабатывать потребительские транзакции, при этом агентские покупки составят более 5% всех онлайн-продаж. Параллельно с этим прогнозируется, что расходы на рекламу, направленную непосредственно на ИИ-агентов, достигнут 5 миллиардов долларов США.

9. Расширение прав и возможностей 490 миллионов работников с помощью голосового ИИ. К 2035 году Индия предвидит будущее, в котором голосовые ИИ-интерфейсы устранят все барьеры неграмотности и языка для 490 миллионов неформальных работников страны.

10. Средние модели становятся отраслевым стандартом. Рынок открытого исходного кода раздваивается: малые модели (менее 15 миллиардов параметров) теряют популярность, а средние модели (от 15 до 70 миллиардов параметров) становятся оптимальным вариантом. Эти модели все чаще предпочитают, потому что они обеспечивают баланс высокой функциональности и операционной эффективности.

11. Энергия как основное узкое места для масштабирования. К 2028 году основное ограничение на масштабирование ИИ сместится с доступности чипов на пропускную способность электрических сетей. Прогнозируется, что ведущие суперкомпьютеры будут требовать 9 ГВт мощности (эквивалентно девяти ядерным реакторам) к 2030 году, что сделает доступность электроэнергии, а не капитал, основным ограничением для развития.

12. Выборочное, а не массовое вытеснение рабочих мест. Ожидается, что ИИ заменит 85 миллионов рабочих мест к 2026 году, но одновременно прогнозируется создание 97 миллионов новых ролей. Вытеснение, вероятно, останется сосредоточенным в неосновных бизнес-функциях, таких как поддержка клиентов, административная обработка и стандартизированная разработка, а не приведет к широкомасштабным увольнениям во всей экономике.

13. Суверенный ИИ как национальный приоритет. Суверенный ИИ станет главным стратегическим приоритетом как для правительств, так и для предприятий, чтобы гарантировать, что данные, модели и вычислительные ресурсы остаются под местным юрисдикционным контролем. Это вызвано необходимостью соблюдения региональных законов о локализации данных и снижения зависимости от нескольких иностранных поставщиков моделей.

Источники:

OpenRouter: State of AI

McKinsey: The state of AI

Anthropic Economic Index: September 2025 Report

OpenAI: The State of Enterprise AI (2025 Report)

Stanford HAI: AI Index 2025 Report

MLQ: State of AI in Business 2025 Report

Yakov & Partners: AI 2025

State of.ai

PwC: AI Predictions

Всем добра!

Я из Рафт. Мой телеграм-канал.

Пишите ваши вопросы в комментариях.