ИИ не пузырь: что меняется на рынке

Почему это не пузырь доткомов

Самый частый аргумент скептиков звучит знакомо — мол, это уже проходили. Доткомы, шумиха, дорогая инфраструктура, а потом всё схлопнулось. Но у ИИ сейчас другая физика рынка. Тогда часто строили сети, которые простаивали. Сейчас почти каждый GPU занят, и это не красивый тезис для презентации, а вполне измеряемая нагрузка.

На моей практике именно так и отличают настоящий спрос от шума. Если бизнес покупает мощность, потому что она приносит выручку, а не ради красивой строчки в отчёте, история уже другая. Один из наших клиентов в Краснодаре, команда из 8 человек и рекламный бюджет 120к в месяц, сначала скептически смотрел на генеративный ИИ. Потом они увидели, что на черновики креативов и адаптации текстов уходит меньше времени, и разговоры про “игрушку” закончились. Вот и всё.

Ключевая разница ещё и в том, что ИИ уже встроен в реальные рабочие сценарии — поиск, рекомендации, обработку лидов, поддержку, генерацию контента. Это не одна большая ставка на будущее, а пачка маленьких внедрений, которые дают понятный экономический эффект. Короче, рынок держится не на вере, а на потреблении вычислений и времени людей.

Где LLM всё ещё буксуют

Фэй-Фэй Ли очень точно зацепила главную слабость текущего поколения моделей — язык они освоили прилично, а вот пространственный интеллект всё ещё хромает. Да, модель может перевести текст со ста языков, собрать структуру статьи, подсказать заголовок и даже помочь с кодом. Но попросите её устойчиво понять, как объект расположен в пространстве, как меняется сцена, как соединяютс�� восприятие и действие — и начнутся провалы.

Я недавно сталкивался с этим на простом примере. Команда пыталась через ИИ быстро собрать схему для офлайн-точки и показать расположение элементов в зале. Текст вышел нормальный, а логика размещения поплыла, хотя запрос был вроде бы ясный. Вот тут и видно, что LLM — не универсальный мозг, а очень мощный языковой слой, который полезен до определённой границы.

Для бизнеса вывод простой: не надо ждать, что одна модель закроет вообще всё. Она сильна там, где есть текст, шаблон, вероятностный выбор и повторяемый контекст. А вот в задачах, где нужна точность, физический мир, пространственная логика или высокая цена ошибки, нужен человек и дополнительные проверки. Это не слабость технологии. Это её реальный профиль.

Что это значит для маркетинга и SMM

Для маркетинга вся эта история звучит очень прикладно. Если модели становятся умнее, то не потому, что они “заменяют людей”, а потому, что ускоряют рутину и сокращают цикл от идеи до публикации. На моей практике лучше всего срабатывает схема, где ИИ делает первый проход, а человек собирает финальную версию. Не наоборот. И вот тут экономия уже ощущается в деньгах и сроках.

У клиента было так: 48 единиц контента в месяц, два дизайнера, один редактор и вечный завал на согласованиях. После того как черновые подписи начали генерировать через AI-генератор подписей для соцсетей, а варианты тегов быстро собирать через AI-генератор хэштегов, команда перестала тратить полдня на банальные задачи. Время высвободилось на аналитику и тесты. Ну и на нормальные правки тоже, ага.

Тексты и публикации

С текстами всё проще всего. Нейросеть хорошо пишет черновик, адаптирует тон, режет длинные формулировки и помогает быстро сделать 5-7 вариантов одного смысла. Для SMM это прям спасение, когда нужно вести несколько площадок и не утонуть в однотипных задачах. Но финальная редактура всё равно остаётся за человеком — иначе получаются гладкие, но пустые посты.

Визуалы и креативы

На визуалах ИИ тоже уже полезен, особенно когда нужно быстро подготовить пачку материалов под разные форматы. Для баннеров и анимаций удобно ис��ользовать генератор анимированных баннеров, а если нужен быстрый чистый фон, помогает AI-удаление фона. Для обложек и спецэффектов иногда выручает эффект текста за изображением — он хорошо цепляет в ленте и даёт тот самый визуальный крючок.

Лиды и обработка спроса

Когда маркетинг упирается уже не в контент, а в заявки, полезны инструменты на стыке продвижения и поиска. Например, если задача — добирать аудиторию или искать новые точки роста, можно подключать Clients Hunter Bot для поиска клиентов. Это уже не про красивый пост, а про то, чтобы вся воронка начинала двигаться быстрее. И это, честно, намного интереснее.

Почему спрос на вычисления не падает

Билл Далли хорошо объяснил штуку, которую часто не замечают со стороны. Да, модели становятся эффективнее — тот же результат достигается меньшими затратами. Но из этого не следует, что вычислений нужно меньше. Обычно происходит обратное: как только технология дешевеет на единицу задачи, её начинают использовать в большем количестве сценариев. В итоге общий спрос растёт.

Это похоже на историю с рекламой. Когда один инструмент удешевляет запуск кампаний, компании не прекращают рекламу. Они просто запускают больше тестов, расширяют воронки и быстрее перебирают гипотезы. С ИИ то же самое. Как только появляется удобный и быстрый способ генерировать текст, картинку, код или ответ для клиента, бизнес начинает просить ещё больше автоматизации. И вот уже на одном сервере сидит не один сценарий, а десять.

Я тут пробовал объяснить это одной команде из сферы услуг: им казалось, что “если модель стала умнее, значит инфраструктура будет дешеветь”. Теоретически да. Практически — нет, потому что запросов становится кратно больше. Чем проще вход, тем выше потребление. А значит, GPU, облака, интеграции и оптимизация останутся в центре игры ещё долго.

AGI: сроки, которые любят обсуждать

Тут начинается любимый жанр индустрии — спор о сроках. Хинтон говорит о горизонте в 20 лет. Бенджио аккуратно допускает, что часть инженерных задач может стать дос��упной ИИ уже через пять лет, если тренды не сломаются. И оба, по сути, правы, потому что речь идёт не о календаре, а о вероятности. Сроки в таких прогнозах всегда плавают.

На моей практике самые дорогие ошибки происходят не из-за того, что компания недооценила технологию, а из-за того, что поверила в один сценарий и перестала смотреть по сторонам. Кто-то ждёт AGI завтра и не строит процессы. Кто-то уверен, что всё это надолго и можно ничего не менять. И оба варианта, если честно, слабые. Нормальный подход — готовиться к разной скорости изменений.

Если завтра ИИ реально начнёт уверенно закрывать часть инженерных задач, выигрывают те, у кого уже есть структура данных, библиотека шаблонов, понятные роли и человеческий контроль. Если же прогресс замедлится, вы всё равно останетесь с более быстрыми процессами и меньшей ручной рутиной. То есть стратегия не “угадать дату”, а собрать систему, которая переживёт и быстрый, и медленный сценарий.

Что делать бизнесу и маркетологу уже сейчас

Самый скучный, но самый полезный вопрос — не “когда придёт AGI”, а “что я могу забрать уже сегодня”. Ответ обычно приземлённый. Нужно найти повторяемые задачи, которые жрут часы и не требуют глубокого креатива. Там и лежит основная экономия. В контенте это черновики, вариации заголовков, адаптация под каналы, подготовка баннеров, оформление карточек и быстрые A/B-версии.

Недавно сталкивался с командой, где было 8 человек и постоянный затык на визуалах. Мы перестроили пайплайн так, чтобы черновые изображения сразу прогонялись через инструмент для удаления фона, а финальные креативы собирались через генератор баннеров. Параллельно редактор забрал на себя смысловую часть, а не механическую. В итоге тот же объём контента выпускался быстрее и без лишней суеты. Сейчас это уже не выглядит как магия. Просто нормальная организация работы.

Если смотреть шире, то схема такая: сначала автоматизируете текст, потом визуал, потом поиск лидов и только потом пытаетесь усложнять систему. Не нужно строить космический стек на старте. Лучше взять один повторяющийся процесс и довести его до стабильности. А дальше — расширять. Так, кстати, меньше шансов разочароваться в технологии и больше шансов увидеть реальную пользу.