Google Gemini: как задержка 3.5 Pro и midtraining меняют выбор AI для бизнеса в 2026

Google не просто обновляет Gemini, а перестраивает саму логику его обучения: временную команду по AI-кодингу разворачивают в более постоянный блок midtraining, то есть в слой между базовым обучением и финальной доводкой. Одновременно Gemini 3.5 Pro, по данным Business Insider, сдвигается по срокам, а в открытом доступе пока остается только Flash-версия. Для бизнеса это означает простую вещь: выбирать AI для кода, документов и длинных рабочих задач теперь нужно не по названию модели и не по анонсу, а по тому, что реально доступно, как именно оно обучалось и насколько стабильно проходит длинный сценарий.

Что именно изменилось в Gemini

Суть перестройки в том, что Google переводит свою «ударную группу» по ИИ-кодингу в отдельное постоянное подразделение midtraining. Это не косметика и не смена таблички на двери. Midtraining — это этап между pretraining, где модель учат базовым закономерностям, и post-training, где ее подгоняют под конкретные ответы и поведение. Иными словами, Google хочет закладывать навыки раньше, а не пытаться исправить модель уже на выходе.

По описанию источника, ставка делается на два направления. Первое — сильнее научить Gemini писать код. Второе — перенести этот навык на смежные бизнес-задачи: длинные рабочие цепочки, документы, сборку презентаций, последовательные действия в интерфейсах. Это важный сдвиг. Раньше рынок часто продавал AI как «умный чат». Теперь конкуренция идет за способность делать более длинную и полезную работу.

Есть и еще один маркер: релиз Gemini 3.5 Pro, анонсированный на I/O в мае, не вышел публично в обещанном виде. В материале говорится, что Google собирает обратную связь на своих площадках Antigravity и LMArena, доучивает модель под более длинные агентные задачи и отдельно разбирается с расходом токенов. На текущий момент в открытом доступе остается Gemini 3.5 Flash, а Pro — в ограниченном корпоративном превью.

Почему это меняет деньги, сроки и контроль

Для бизнеса здесь важен не сам термин midtraining, а его эффект. Если модель начинают учить раньше и глубже под конкретный класс задач, компания может получить лучший результат на кодинге, документах и многошаговых сценариях. Но за это почти всегда приходится платить тремя вещами: временем, вычислительными ресурсами и более сложным релизным циклом.

Это хорошо видно по текущей истории Gemini. Google явно не хочет ограничиваться сильной базовой моделью и донастройкой «на выходе». Компания делает ставку на специализированное обучение и более плотную связку между исследованием и продуктом. Для покупателя это означает, что качество инструмента теперь зависит не только от его названия, а от того, насколько хорошо поставщик умеет встроить обучение в практику.

С точки зрения управления затратами это меняет и логику пилотов. Если раньше можно было посмотреть на анонс и решить, что «скоро выйдет нужная версия», то теперь безопаснее считать, что релиз может сдвигаться, а доступная в интерфейсе модель — это не всегда та, на которую вы рассчитываете в рабочем процессе. Особенно если сценарий длинный: подготовка документа, сбор данных, правка, повторный запрос, финальная сборка. Именно в таких задачах вылезают токены, задержки и ручная доработка.

Как читать эту перестройку как управленческое решение

Google фактически отвечает на рыночный вопрос: одной сильной универсальной модели уже мало, если конкурент лучше закрывает прикладную работу, особенно кодинг. Anthropic и OpenAI уже двигают свои инструменты за пределы чистого программирования. Сначала код, потом смежные офисные процессы. Google пытается сделать то же самое, но через перестройку обучения.

Для менеджера это полезный сигнал не о том, что «Google отстает» или «Google догоняет», а о том, что рынок AI-инструментов смещается от общего качества к качеству в конкретном рабочем контуре. Если вам нужен AI для отдела разработки, аналитики, продаж или подготовки презентаций, сравнивать стоит не только ответы на короткий вопрос, а то, как модель ведет себя на многошаговом задании.

Практический вывод здесь такой: не покупайте AI по обещанию «лучше пишет код». Проверяйте, встроен ли у поставщика такой режим обучения и есть ли у него релиз, который можно использовать без ожидания очередного анонса. Иначе вы платите за будущую версию, а работаете на текущей.

Где здесь ограничения и риски

Самый очевидный риск — подмена продукта обещанием продукта. Gemini 3.5 Pro уже анонсирован, но публичный выход отложен; Flash доступен, Pro — только в ограниченном превью. Это значит, что компания может видеть красивую дорожную карту, но принимать решения придется по тому варианту, который реально лежит в руках сейчас.

Второй риск — токены и длина задачи. Источник отдельно говорит, что Google доучивает модель под более длинные агентные сценарии и разбирается с расходом токенов. Для бизнеса это не техническая деталь, а вопрос бюджета и скорости. Чем длиннее цепочка действий, тем выше шанс, что модель начнет «съедать» больше контекста, а итоговая стоимость пилота окажется выше ожидаемой.

Третий риск связан с командой. В материале упомянуты уходы Ноама Шазира, перешедшего в OpenAI, и Джона Джампера, который уходит в Anthropic. Сам по себе уход исследователей не означает провал продукта. Но если ключевые люди меняют команды в момент перестройки, это уже маркер для руководителя: проект может быть технологически сильным, но организационно нервным.

Четвертый риск — слишком ранняя ставка на один стек. У Google огромная инфраструктура: TPU, Gemini, облако, поиск, YouTube, дистрибуция. У компании есть ресурс на перестройку. Но покупателю это не гарантирует, что именно ваш сценарий окажется стабильным уже завтра. В AI сейчас важнее не сила платформы вообще, а стабильность конкретной версии под конкретную рабочую задачу.

Что проверить перед покупкой или пилотом

Если вы выбираете AI для кодинга, подготовки документов или офисных автоматизаций, перед реакцией на такие новости стоит проверить не пресс-релиз, а рабочие параметры. Вот короткий рабочий запрос для команды на этой неделе:

• возьмите 3 типовые задачи: короткий кодовый фрагмент, длинный текстовый документ, многошаговую офисную задачу;
• прогоните их через ту версию Gemini, которая доступна сейчас, и через текущие альтернативы, которые уже используются у вас;
• зафиксируйте не только качество ответа, но и число итераций ручной правки;
• отдельно посмотрите на длину контекста и стоимость токенов на длинном сценарии;
• проверьте, есть ли в вашей среде именно та версия модели, на которую вы рассчитываете, а не временный preview;
• определите запасной вариант на случай, если обещанный релиз снова сдвинется.

Если смотреть совсем прагматично, решение сейчас такое: не переводить важный процесс на «будущую версию» Gemini до ее реального выхода и не делать вывод о проигрыше Google только по задержке одной модели. Правильный подход — мерить рабочий результат на ваших задачах, а не на заголовке.

Что сделать на этой неделе

1. Составьте список задач, где AI уже влияет на деньги: код, отчеты, презентации, ответы клиентам, внутренние документы.
2. Проверьте, какая версия Gemini реально доступна в вашем аккаунте или у вашего подрядчика.
3. Дайте одинаковое задание Gemini, Anthropic и OpenAI на одном и том же материале.
4. Посмотрите, где у модели начинают расти токены, время ответа и число ручных правок.
5. Не расширяйте пилот, пока не увидите стабильный результат на длинной задаче, а не только на коротком промпте.

Если нужна одна формула для управленца, она такая: сейчас Google меняет не только модель, но и способ ее обучения, а значит, оценивать нужно не обещание «сильного Gemini», а зрелость конкретной версии под ваш рабочий процесс. Это и есть реальная проверка на пользу, а не на шум вокруг релиза.

Источники

• Habr: «Google перестраивает обучение Gemini, чтобы догнать Anthropic. Gemini 3.5 Pro отложена на месяц»
• The Information (оригинал)
• Business Insider (оригинал)

Генерация изображения

• Модель: qwen-image-max
• Провайдер: alibaba