Кратко
Передовые ИИ-модели сравнялись друг с другом, укладываясь в 5-процентный диапазон (индекс ИИ Стэнфордского университета за 2026 год). По прогнозам Gartner, к концу 2027 года более 40% проектов в области агентного ИИ будут закрыты. Старший вице-президент Oxylabs Гедиминас Рицкявичюс (Gediminas Rickevičius) утверждает, что фокус конкурентной борьбы сместился с выбора моделей на инфраструктуру данных: веб-индексы, созданные для агентов (структурированный контент вместо синих ссылок), и уровни доступа в реальном времени для динамической информации. Согласно данным McKinsey, 88% организаций используют ИИ, но лишь 6% добиваются высоких результатов.
В 2026 году подход к обсуждению искусственного интеллекта начал меняться. Два года назад любые споры в зале заседаний сводились к одному вопросу: на какую модель сделать ставку? Сегодня этот вопрос почти потерял актуальность. Передовые системы настолько сблизились, что, согласно индексу ИИ Стэнфордского университета за 2026 год, ведущие модели за один год прибавили около 30 процентных пунктов по ключевым бенчмаркам и теперь идут ноздря в ноздрю в большинстве задач. Сама модель больше не является главной переменной — на первый план выходит кое-что другое.
Этим «кое-чем» являются данные, а именно: что видит модель, когда она это видит и насколько хорошо это структурировано. Теперь ключевое значение имеет нечто более фундаментальное: качество, актуальность и структурная глубина информации, которую получает модель. Организации сталкиваются с двумя преградами одновременно. Первая связана с ИИ-агентами, которые продолжают выдавать уверенные ошибки. Вторая — долгосрочная и более фундаментальная: поиск свежей информации требует поисковой инфраструктуры нового поколения. Обе проблемы упираются в один и тот же фундамент — данные.
Что дальше: ИИ-агенты и агентский веб
Когда агенты спотыкаются
Агентный ИИ — системы, способные планировать, искать данные, использовать инструменты и выполнять многоэтапные задачи при минимальном участии человека — внедряется в сфере конкурентного мониторинга, анализа цен, маркетинговых исследований, закупок и квалификации лидов. К сожалению, в большинстве этих задач агенты часто терпят неудачу.
Gartner прогнозирует, что к концу 2027 года более 40% проектов агентного ИИ будут закрыты из-за растущих затрат, неясной бизнес-ценности и недостаточного контроля рисков. В исследовании MIT NANDA за 2025 год эта мысль выражена еще более резко: примерно 95% пилотных проектов генеративного ИИ не смогли принести измеримой отдачи, причем в качестве основных причин названы хрупкие рабочие процессы и отсутствие контекстного обучения.
Когда агент допускает уверенную ошибку, возникает естественный инстинкт обвинить саму модель — найти изъян в логике или списать все на галлюцинацию. На деле же причиной сбоя обычно оказывается нечто гораздо более простое: агент работал с устаревшей или неполной информацией. Иными словами, надежная логика сталкивается с устаревшими фактами. Агент, оценивающий ценовую стратегию конкурента, ограничен лишь своей способностью получить доступ к актуальным и географически точным ценам, а не способностью делать логические выводы. Целый парк таких агентов, задействованных в критически важных бизнес-процессах, становится структурной уязвимостью, которую не исправить никаким промпт-инжинирингом.
Контекст как инфраструктура
В бюджетах на корпоративный ИИ сохраняется устойчивая тенденция рассматривать сбор данных как накладные расходы — нечто второстепенное, что после передачи ИТ-отделу больше не должно всплывать в стратегических дискуссиях. Это больше неприемлемо. В индустрии даже появился термин для обозначения дисциплины по решению этой проблемы: контекстный инжиниринг (в конце 2025 года Anthropic определила его как практику подбора оптимального набора информации, доступной модели в момент инференса).
Для организаций, чей ИИ зависит от веб-данных, описаний продуктов, финансовой отчетности, новостей, вакансий, регуляторных изменений и активности конкурентов, вся необходимая сырая информация уже находится в сети. Трудность заключается в стабильном доступе к ней. Динамический рендеринг контента, несогласованные форматы данных и другие привычные особенности веб-сайтов превращаются в препятствия, когда вам нужно быстро и в больших масштабах извлекать публичные данные. Организации, которые экономят на решении этих проблем, позволяют удобству определять, что именно их ИИ знает об окружающем мире.
Как к этому прийти?
Улучшенные веб-индексы
Чтобы снабжать агента свежей информацией, необходим веб-индекс — упорядоченная база данных, к которой обращаются поисковые системы, а не «живой» интернет. Он работает подобно библиотечному каталогу, позволяя системам находить информацию на миллиардах страниц за миллисекунды без необходимости читать каждую «книгу» с нуля.
Этот процесс происходит непрерывно: краулеры обнаруживают страницы, парсеры удаляют лишний шум вроде рекламы и кода, а система сохраняет чистый контент вместе с показателями качества для ранжирования. Если традиционные индексы предоставляют ссылки для кликов человеку, то агентам требуются структурированные данные, которые они могут использовать немедленно. Стандартные индексы заставляют агентов скачивать, очищать и суммировать страницы по отдельности, что увеличивает задержки и расходы на токены. Индексы, созданные специально для агентов, обходят это ограничение, сохраняя готовый к использованию контент с проверяемыми источниками, благодаря чему поиск превращается в надежную основу для действий, а не в простой список сильных ссылок.
Самое интересное для всех, кто создает продукты на базе ИИ, заключается в том, что традиционные поисковые индексы изначально проектировались для людей: заголовок, ссылка, короткий фрагмент — то есть все то, что помогает решить, по какой синей ссылке кликнуть. Агенту не нужен список ссылок. Ему нужна сама информация, уже извлеченная и структурированная под языковую модель.
Когда индекс возвращает лишь ссылки, агенту приходится самостоятельно скачивать каждую страницу, вычленять полезные фрагменты и суммировать их. Это увеличивает задержки, раздувает затраты на токены и создает дополнительные точки отказа. Индексы, созданные для агентов, избавляют от этой суеты за счет хранения контента, который модель может использовать немедленно, с привязанными источниками и датами, чтобы каждый факт можно было проверить. Последний пункт крайне важен, поскольку демонстрация происхождения утверждения — одна из самых практичных защит от склонности агента уверенно выдумывать факты. Поэтому, когда говорят, что агентам нужны лучшие данные, отчасти имеют в виду, что им необходимы индексы, созданные специально для них.
Инфраструктура для доступа в реальном времени
Хороший индекс сильно помогает, но даже лучший из них — это лишь снимок. Он отражает состояние интернета на момент последнего сканирования, и для многих задач, выполняемых агентами, такое отставание означает разницу между правильным ответом и бесполезным.
Коммодитизация моделей когда-то казалась маргинальным прогнозом, но сегодня это реальность. Согласно опросу McKinsey State of AI за 2025 год, 88% организаций используют ИИ как минимум в одной функции, однако лишь 6% относятся к числу высокоэффективных компаний, извлекающих реальную пользу для всего бизнеса. Ограничением больше не является само внедрение — теперь это качество реализации. А важнейшая часть реализации — это то, чем питается модель в процессе работы, что сводится к инфраструктуре вокруг нее, а не к самой модели.
Подводя итоги
Модели имеют значение, а создание агентов — это по-настоящему сложная работа. Но по мере того как модели становятся все более мощными и похожими друг на друга, вопрос о том, куда направить следующий доллар инвестиций, заслуживает более честного анализа, чем обычно. В отчете компании Deloitte «Состояние ИИ на предприятии» за 2026 год State of AI говорится прямо: от пилотных проектов к производству переходят те компании, которые инвестируют в базовую инфраструктуру, а не только в видимый слой ИИ.
Сами по себе более совершенные модели не спасут агентное развертывание, страдающее от нехватки свежей информации. Долгосрочную ценность получат те организации, которые объединят хорошие модели с двумя слаженно работающими компонентами: индексами, созданными для агентов, и доступом в реальный время к актуальному интернету для всего остального, что эти индексы еще не успели охватить. Агент хорош ровно настолько, насколько хороша информация, до которой он может дотянуться в момент действия. Сокращение дистанции между тем, о чем агенты могут рассуждать, и тем, что они действительно видят — это следующий шаг для искусственного интеллекта, и создание лежащей в основе инфраструктуры данных — путь к этой цели. Этот сдвиг уже происходит, и агентный поиск вот-вот изменится благодаря ему.
Опубликовано 27 августа 2026 - 15:09 Наверх
