Если вам кажется, что нейросети развиваются слишком быстро, доверьтесь этому чувству. В конце июня 2026 года Итан Моллик, профессор Уортона, опубликовал эссе «Сумерки чат-ботов» (The twilight of the chatbots), где собрал измерения, которые плохо укладываются в голове. Opus 4.7 проработал автономно 14 часов подряд и собрал программный пакет, на который команде инженеров понадобилось бы от двух до семнадцати недель. Счёт за этот запуск: 251 доллар за токены.

Ускорение ИИ снаружи выглядит как плавная линия на графике, но изнутри ощущается серией рывков. Сначала ничего не происходит, потом очередное удвоение сразу бьёт по рынкам, политике и рабочим процессам. Моллик объясняет и то, почему это чувствуется именно так, и то, почему институты не успевают за кривой.

Как измеряют ускорение ИИ

Ускорение ИИ это рост объёма работы, которую модель выполняет автономно за один запуск. Его измеряют не тестами на эрудицию, а часами человеческого труда: сколько работы программиста, аналитика или консультанта заменяет один промпт. За последние два года такие оценки удваиваются каждые несколько месяцев.

За цифрами стоят четыре известных проекта. METR и британский AI Security Institute оценивают, сколько часов работы программиста модель выдаёт с одного промпта. GDPval сравнивает ответы ИИ с работой настоящих экспертов из десятков профессий, судят при этом профессиональные оценщики. Epoch измеряет длину задач, которые модель решает без человека. По наблюдениям Моллика, все четыре кривые растут быстрее экспоненты, то есть быстрее, чем предсказывает сама логика удвоения.

Свежий пример от Epoch: Opus 4.7 работал самостоятельно 14 часов и выдал результат, эквивалентный работе, на которую у человека уходит от двух до семнадцати недель. Себестоимость: 251 доллар за токены. У самого Моллика модель Fable провела девять часов над сложными программными проектами, которые команда делала бы больше недели. Оговорки Моллик проговаривает честно: модели по-прежнему проваливают часть тестов, а длинные автономные запуски стоят недешево.

Такие измерения нужны не ради рекордов. Часы работы в пересчёте на доллары превращают разговоры о возможностях ИИ в экономику, где понятно, что именно заменяется и по какой цене. Именно этой арифметики не хватало, когда ИИ оценивали процентами на экзаменах.

Вторая экспонента: открытые модели из Китая

Дальше в эссе появляется слой, о котором говорят реже. Пока фронтир делят Anthropic, OpenAI и Google, в шести с половиной месяцах позади движется второй эшелон: открытые модели из Китая. Их можно скачать, дообучить под себя и запускать в разы дешевле закрытых. У них своя экспонента: в тесте AA-Briefcase, который имитирует многонедельный консалтинговый проект, китайские открытые модели растут так же уверенно, отставая от американских на фиксированный лаг. Другие страны тоже выпускают открытые модели, но так близко к фронтиру нет никого.

Для пользователей это значит вот что: возможности, за которые год назад платили фронтирные тарифы, приходят почти бесплатно, с задержкой в несколько месяцев. Ускорение перестаёт быть привилегией лабораторий и становится фоновым условием для всех.

Моллик предупреждает: графики скрывают изрезанность фронтира. Между результатом на бенчмарке и реальной работой лежит зазор, и у открытых моделей он особенно заметен. Его тест для проверки: попросить разные модели построить интерактивную симуляцию гавани, которая живёт во времени. Результаты расходятся сильно: в дизайне, стилистике и даже в суждениях о том, какой эта гавань должна быть. Чем длиннее задачи достаются системам, тем важнее именно эти трудноизмеримые факторы, а их не покажет ни один лидерборд.

Работа перестаёт быть разговором

Вторая половина эссе объясняет, почему «сумерки чат-ботов» не метафора. Долгое время главным способом работы с ИИ был ко-интеллект: спросил, проверил, попросил следующий шаг. Этот способ никуда не делся и всё ещё полезен, но ценная работа переезжает к агентам: длинные самокорректирующиеся системы не требуют постоянного присмотра. У чат-бота нет обвязки, у агента есть: среда с доступом к инструментам вроде Claude Code или Codex. И хорошая обвязка умножает возможности модели, добавляя к экспоненте модели свою собственную.

Ещё недавно казалось, что ИИ выравнивает шансы новичков: подсказать, объяснить, закрыть пробел в знаниях. Данные показывают встречное движение. Всё больше ценности агенты приносят как раз экспертам, которые понимают, как выглядит хорошая работа в их области.

Совместное исследование OpenAI и академических экономистов показывает скорость перемен. Агентов внутри OpenAI используют не только программисты: legal, HR и другие нетехнические функции приняли их почти с той же интенсивностью. Каждую неделю четверть сотрудников запускают четыре и больше агентов одновременно. Работа в самой OpenAI всё больше похожа на управление ИИ, и компания здесь канарейка в шахте: то, что происходит у них, через год или два повторится в остальных компаниях.

Отдельное исследование пользователей Claude Code добавляет неожиданную деталь. Успех зависел не от профессии: инженеры показывали примерно тот же результат, что и представители других специальностей. Решала экспертиза. Чем глубже человек знал свою предметную область, тем успешнее решал задачи в ней и тем полезнее выходил каждый промпт. Вывод Моллика звучит старомодно: лучший способ работать с агентами это думать о себе как о менеджере, который ставит задачи и принимает работу.

Почему экспонента ощущается рывками

Теперь к механике ощущения. Быть на экспоненте значит, что каждое следующее окно времени приносит больше изменений, чем предыдущее. Организация, писавшая план по ИИ до зимы 2025 года, описывала систему на пару часов работы с высокой долей ошибок. Через несколько месяцев с одного промпта выходит 16 и больше часов работы. Кривая остаётся кривой, но переживаем мы её как серию шоков: удвоения приходят на всё большую базу, поэтому каждое следующее ощущается сильнее предыдущего. Люди плохо чувствуют экспоненту изнутри, а мы сейчас как раз внутри одной.

Отсюда и слово «рывок». Прогресс не скачет, но мы смотрим на гладкую кривую из точки, где её крутизна постоянно растёт. Ощущение рывка честно отражает реальность: за одинаковый промежуток времени успевает измениться больше, чем в прошлый раз.

Почему институты не успевают

Это же объясняет турбулентность вокруг ИИ лучше, чем истории про хайп. Модель не является серьёзной киберугрозой, пока внезапно не станет ей, и тогда на самом верху власти начинаются импровизированные изменения правил. Рынки не закладывают угрозу бизнес-моделям, пока она внезапно не материализуется, и тогда акции летят. Эти метания принято читать как признаки незрелой индустрии, которая скоро уляжется. Моллик так не думает.

Нестабильность это то, что происходит, когда институты двигаются со скоростью людей (в худшем случае, комитетов) вслед за кривой нечеловеческой природы. Пока мы на экспоненте, разрыв между возможностями систем и способностью общества реагировать будет расти. Это не прогноз катастрофы, а описание уже наблюдаемой динамики: правила, рынки и нормы догоняют технологии рывками, и каждый такой рывок выглядит как кризис.

Структура этого отставания простая. Правила кибербезопасности пишутся под известный класс угроз, а модель, которая внезапно учится эти угрозы генерировать, появляется вне расписания. Процедуры закупок и оценки рассчитаны на кварталы, а новые возможности приходят каждые несколько месяцев. Дело не в чьей-то медлительности, а в разнице скоростей: у правил и у кривой разные единицы измерения времени.

Что ускорение не отменяет

Рост измерений не значит, что модели стали надёжными универсалами. Фронтир по-прежнему зубчатый: ИИ может сутками вести сложный проект и споткнуться на задаче, с которой справится стажёр. Ошибки в длинных автономных запусках к тому же накапливаются, поэтому чем дольше агент работает без человека, тем важнее промежуточные проверки и честные критерии готовности результата.

Отсюда спокойный вывод: ускорение меняет не правило «проверяй работу ИИ», а масштаб задач, на которых это правило применяется. Чем больше работы вы делегируете, тем аккуратнее нужно проектировать проверку: чекпоинты, тесты, ревью на каждом этапе. Автономность без такого периметра превращается из преимущества в риск.

Что с этим делать

Практический вывод из эссе проще, чем кажется, и состоит из четырёх привычек.

Первая: пересматривайте список задач, которые «ещё рано отдавать ИИ», каждые несколько месяцев, а не раз в год. Если зимой агент уверенно тянул двухчасовые задачи, а сегодня тянет шестнадцатичасовые, ваш личный порог доверия устаревает вместе с кривой.

Вторая: вкладывайтесь в экспертизу, а не в заучивание интерфейсов. Исследование Claude Code показало, что отдача от агентов растёт с глубиной знаний в предметной области: понимание того, как выглядит хорошая работа, важнее умения жонглировать очередным чат-клиентом.

Третья: проверяйте на своих задачах. Бенчмарки скрывают различия в дизайне, стиле и суждениях, а в длинных задачах решают именно они. Один вечер, потраченный на честный тест, даёт понимание, которого не даст ни один график.

Четвёртая: учитесь управлять. Постановка задачи, разбиение её на этапы и приёмка результата перестают быть мягкими навыками менеджеров и становятся базовой грамотностью для всех, кто работает с агентами.

Часто задаваемые вопросы

ИИ правда ускоряется или это просто хайп?

Ускорение измеримо. METR, британский AI Security Institute, GDPval и Epoch независимо фиксируют рост: горизонт автономной работы удваивается за месяцы, а не за годы. При этом фронтир остаётся зубчатым: в одних задачах модели уровня эксперта, в других проваливаются, как и раньше.

Почему изменения ощущаются рывками?

Так экспонента ощущается изнутри. Каждое удвоение возможностей приходит на уже большую базу, поэтому каждая следующая порция изменений крупнее предыдущей. Гладкая кривая на графике превращается в серию шоков: долго ничего не происходит, потом сразу многое.

Какие навыки станут важнее?

Экспертиза в своей области и управленческие привычки. Исследование пользователей Claude Code показало, что результат работы с агентами зависит от глубины знаний человека, а не от его профессии. Постановка задач и приёмка результата постепенно становятся такими же базовыми навыками, как работа с текстовым редактором.

Почему эссе называется «Сумерки чат-ботов»?

Чат-боты были главным интерфейсом эпохи ко-интеллекта: спросил, получил ответ, проверил. Ценная работа всё чаще уходит к агентам, которым нужна собственная инфраструктура: инструменты, среда, автономность. Чат не исчезает совсем, но перестаёт быть главным способом использовать ИИ, отсюда и «сумерки».

Итог

Ускорение ИИ это не абстракция и не хайп, а измеряемая кривая: от пары часов автономной работы в планах прошлого года до шестнадцати и больше часов с одного промпта сегодня. Работа всё чаще выглядит как управление агентами, институты догоняют технологии рывками, и пока мы внутри экспоненты, разрыв будет только расти.

Лучший ответ на такое ускорение не паника и не игнорирование, а регулярная проверка собственных представлений о том, что модели уже умеют. Возьмите одну задачу, которую вы всё ещё делаете руками от начала до конца, и отдайте её агенту целиком. Результат скажет больше, чем любой график.