Через 5 лет 90% стартапов будут использовать публичные генеративные модели и ИИ агенты

Евгений Хафизов в интервью ComNews прогнозирует, что экосистемы с применением технологий ИИ вскоре заменят классические методологии разработки, а стартапы массово перейдут на публичные генеративные модели и ИИ агенты. Главные препятствия на этом пути в России — не технология, а человеческий фактор: внутреннее сопротивление сотрудников, неготовность корпораций переходить на новые методы разработки из-за наследия старых систем и вопросов безопасности.

Чем отличаются компании, изначально построенные вокруг ИИ, от традиционных tech-стартапов, которые лишь добавили AI-модуль постфактум?

Если посмотреть на TechCrunch, какие стартапы создаются сейчас, более половины уже используют ИИ в своем ДНК.

Сегодня компании можно разделить на четыре типа. Первый — классические, без ИИ, которые создают, например, всевозможные корпоративные системы управления. Но их объективно становится все меньше из-за перенасыщения рынка крупными игроками.

Второй тип, самый массовый, — стартапы, которые используют комбинацию публичных генеративных моделей. Тренд на ближайшие 5 лет очевиден — 90% стартапов будут изначально строиться на публичных ML-моделях. Разрабатывать собственные модели — дорого и сложно, а готовые решения позволяют под любой запрос быстро создать продукт с меньшими затратами. Благодаря этому бизнес может быстро доставлять ценность — генерировать код, изображения, распознавать объекты или давать узкоспециализированные ответы через промпт-инжиниринг.

Разница заключается в объеме инвестиций, сложности и, главное, скорости выхода на рынок. Кастомные решения для узкоспециализированных задач, где не подходят публичные модели, а производство или процесс уникальны. Но это удел крупных корпораций с большими бюджетами. Например, мы разрабатываем новый продукт feelink для B2C рынка, это стартап в области арт-терапии, который формирует индивидуальные задания на основе ментального состояния человека. Если бы мы с нуля создавали модели для распознавания и генерации изображений, инвестиции были бы в десятки раз выше. Современный мир позволяет использовать комбинацию готовых решений: одна модель распознает изображение, другая — генерирует на базе заданного контекста.

Третий тип — компании, которые создают сложные кастомные решения для специализированных задач. Например, для уникального нефтехимического предприятия, где рассчитываются параметры движения смеси в трубопроводе. Это дорого, нужно собирать свои датасеты, обучать собственные модели, требуются серверные ресурсы и высокая квалификация команды.

И четвертый, пока немногочисленный — компании, которые с помощью ИИ и no-code платформ генерируют бизнес-приложения end-to-end, вообще без классических разработчиков в штате.

Языковые модели сегодня называют главным драйвером снижения cost of development. Насколько это уже реальность, а не просто маркетинг?

Будущее за агрегацией таких нишевых датасетов и созданием крупных отраслевых моделей в медицине, промышленности, космосе. Это, например, предиктивная аналитика на производстве. Не типовой конвейер, а уникальный технологический процесс с историческим оборудованием и уникальными параметрами. Или, скажем, в медицине это не общая диагностика, а анализ узких датасетов для повышения эффективности исследований в конкретных областях, например, купирование распространения раковых клеток. Есть публичный кейс, где специализированный ИИ увеличил эффективность регенерации стволовых клеток в 50 раз.

Мы видим, что использование готовых языковых моделей кратно сокращает и стоимость, и время разработки. Классически это требует высококвалифицированных инженеров и сотни рабочих часов. Сейчас, с помощью ИИ, ту же задачу можно решить за считанные часы. Экономика меняется кардинально. Если бы я разрабатывал решения с "нуля", как это делалось раньше, инвестиции в проект могли составить $10 млн. Использование же готовых моделей позволяет уложиться в гораздо более скромный бюджет, сокращая затраты в разы. За этим будущее — low/no-code подход, где ценность создается не написанием строчек кода, а сборкой решения из мощных AI-компонентов.

Может ли ИИ стать полноценным "коллегой" разработчика, или его роль останется вспомогательной?

Он уже становится таким "коллегой". Мы на собеседованиях спрашиваем, какими инструментами на базе ИИ пользуется кандидат. "Вайб-программирование" с помощью плагинов, генерирующих код, стало нормой.

В будущем роль ИИ станет не просто вспомогательной, а системообразующей. Разработчик будет выполнять роль оператора и архитектора, задающего направление, в то время как рутинная работа будет автоматизирована. Но это не уберет людей из процесса полностью, просто вместо 100 человек в отделе R&D будет 10, но это будут люди, которые управляют сложными ИИ-агентами и несут ответственность за результат. ИИ — не замена, это сила-умножитель, который меняет саму суть разработки.

Какие ИИ решения вы сами сейчас используете в бизнесе?

Сейчас я всё чаще обращаюсь к языковыми моделям в повседневной работе. Это реальность и большая помощь для предпринимателя. Теперь вся аналитика под рукой и ответы на большинство вопросов можно найти за считанные минуты. Также и в проектах. Все новые стартапы я создаю на базе технологий ИИ. Например, новый проект - Test AI. Это узкоспециализированное решение на острие тренда QA, которое позволяет разрабатывать сотни автоматических тестов без знания языков программирования за считанные часы. Прогресс технологий стремительно растёт, мир меняется и я хочу помочь ему в этом.

Можно ли говорить, что порог входа в разработку снижается, и в будущем R&D-департаменты крупных компаний будут сокращаться в разы.

Компании часто ищут вспомогательный инструмент, а не замену процессу. Пока массово ИИ используют indie-разработчики и аутсорсинговые студии, для которых это прямой инструмент повышения маржинальности. Но тренд не остановить.

Крупные корпорации отстают в переходе на новые инструменты разработки, в чем главная причина?

В первую очередь это гигантское legacy. У корпораций выстроены процессы, есть огромные команды, накоплены "тонны" старого кода, который нужно поддерживать.

Внедрение новых инструментов ломает привычную систему. Более того, мы сталкиваемся с внутренним сопротивлением. Когда код автотестов можно не ревьювить, а просто доверять ИИ, это вызывает сомнения.

Если 10 инженеров делали работу неделю, а теперь ее делает машина за ночь, чем будут заниматься эти люди? В новых проектах, где нет технического долга, внедрение идет гладко. Где есть legacy начинается конфликт. Люди не готовы кардинально менять процессы, нужно время…

На Западе публичные ML-модели используют свободнее. В России же службы безопасности многих компаний их блокируют. Это непреодолимый барьер?

Проблема в том, что при использовании Open AI или других западных моделей, код и данные уходят за периметр компании, что считается утечкой. Например, в Штатах Open AI — своя, данные хранятся внутри страны и соответствуют стандартам информационной безопасности.

Чтобы крупные корпорации могли массово использовать ИИ, нужны мощные российские модели. Но сегодня тот же GigaChat не может конкурировать с зарубежными решениями. Для серьезных бизнес-задач этого часто недостаточно. На их создание и доведение до ума, я считаю, уйдет около 3 лет. Альтернатива — строить private cloud с собственными моделями или дорабатывать open-source, но это инвестиции на миллиарды рублей, что убивает всю юнит-экономику проекта.

Тогда как вы оцениваете риски перегрева рынка сегодня, когда многие видят параллели между рынком ИИ-стартапов и пузырем доткомов.

Если сейчас в мире в год создается условно десятки тысяч tech-компаний, то скоро будут создаваться сотни.

Рынок перенасытится, и мультипликаторы ИТ компаний неизбежно снизятся. Параллельно будет идти агрегация отраслевых данных и моделей. Прямого мирового краха, как во времена доткомов, не будет. Но переоценка неизбежна.

Раньше ценность IT-компании определялась компетентной командой, уникальным кодом и ноу-хау. Сегодня, если твой стартап — это просто обертка над публичной моделью, инвестор спрашивает: "А чем ты лучше конкурента, который сделает то же самое за месяц?". Барьеры входа рухнули, создавать продукты стало проще, дешевле и быстрее. Это приведет к взрывному росту числа стартапов — и к жестокой конкуренции.

Мультипликаторы хай-тек компаний будут снижаться, а инвесторы станут скептичнее.

Спекуляции возможны в deep tech, где есть реальные фундаментальные разработки, например, в медицине или геологоразведке. Но в области прикладного софта, живущего на публичных моделях, — нет. Все будет определяться не технологическим преимуществом, а умением найти узкую нишу и быстро ее занять.