Обещания AGI: как проверять их до выделения бюджета в 2026

Андрей Отинов -

Представьте типичную сцену: руководитель читает очередное заявление о том, что AGI — общий искусственный интеллект — появится через два-три года, и решает, закладывать ли это в стратегию компании. Недавно в публичной дискуссии прозвучал противоположный тезис. Философ Никита Мохов в статье «Илон Маск как духовный сын Никиты Хрущёва» утверждает: философская база для ИИ фактически закончилась на эссе Тьюринга, современные языковые модели — это ответ именно на задачу Тьюринга, а до «задачи Эйнштейна» текущая архитектура не дотягивает. Вывод автора жёсткий: обещания AGI — это вексель, который ни Маск, ни Альтман погасить не смогут.

Источник: t.me

Это не новость о продукте и не релиз. Это аргумент, который стоит разобрать, потому что от него зависит практическое решение: планировать ли бизнес-процессы в расчёте на скорый «общий интеллект» или строить работу на том, что модели реально умеют сегодня. Ниже — разбор самого аргумента и рабочий метод, как проверять любые обещания AGI до того, как под них выделен бюджет.

Что именно утверждается

Аргумент Мохова, как он передан в публичном обсуждении, строится на разграничении двух задач.

Задача Тьюринга — научить машину вести диалог так, чтобы человек не мог отличить её от человека. Это задача имитации: модель должна убедительно говорить, рассуждать в тексте, отвечать на вопросы. Большие языковые модели — это, по мысли автора, именно ответ на эту задачу. Они решают её всё лучше, но это всё ещё та же задача, поставленная в 1950 году.

«Задача Эйнштейна» — это другое: не имитировать мышление, а произвести новое знание о мире. Сформулировать теорию, которой раньше не существовало, увидеть закономерность там, где её никто не видел. Тезис Мохова состоит в том, что текущая архитектура LLM к этой задаче концептуально не приближается — сколько ни масштабируй.

Отсюда и провокационная рамка статьи: сравнение Маска с Хрущёвым и слово «технокоммунизм». Как Хрущёв обещал, что нынешнее поколение будет жить при коммунизме, так технологические лидеры обещают, что нынешнее поколение дождётся AGI. Параллель — в структуре обещания: горизонт сдвигается, а вера остаётся.

Важная оговорка: это философская позиция одного автора, переданная через пересказ. Она не является консенсусом индустрии и не подтверждена независимыми исследованиями в рамках этого текста. Но сама рамка «Тьюринг против Эйнштейна» — полезный инструмент, даже если не соглашаться с выводом.

Почему это важно для бизнеса, а не только для философов

В 2026 году решения о внедрении ИИ принимают люди, далёкие от исследований: собственники, операционные директора, руководители отделов. И на них давит один и тот же нарратив: «AGI близко, поэтому вкладывайтесь сейчас, иначе опоздаете». Под этот нарратив продаются подписки, консалтинг и долгосрочные контракты.

Если тезис о плато верен хотя бы частично, практические последствия такие:

  • Бюджет. Платить сегодня за обещание возможностей, которые появятся «в следующем поколении модели», — значит покупать вексель без гарантии погашения. Разумнее платить за то, что модель делает проверяемо сейчас.
  • Планирование. Стратегия «через два года ИИ заменит этот отдел» опирается на прогноз, который часть экспертов считает несостоятельным. Планировать сокращения или найм под такой прогноз рискованно в обе стороны.
  • Оценка вендоров. Поставщик, который продаёт «путь к AGI», и поставщик, который продаёт конкретное измеримое улучшение процесса, — это разные категории продавцов. Первого стоит проверять жёстче.

Обратная сторона тоже существует: если тезис о плато неверен и возможности продолжат расти, компания, которая полностью проигнорировала ИИ, потеряет темп. Поэтому задача читателя — не выбрать лагерь, а научиться отделять проверяемые заявления от обещаний.

Метод: как проверять обещания AGI через рамку «Тьюринг — Эйнштейн»

Само разграничение можно превратить в рабочий фильтр. Когда вам предлагают ИИ-решение или вы читаете очередное заявление о прорыве, задайте три вопроса.

Первый: это задача имитации или задача открытия? Если продукт помогает писать тексты, отвечать клиентам, резюмировать документы, классифицировать заявки — это задача Тьюринга. Здесь модели уже работают, и результат измерим: время на задачу, доля принятых без правки ответов, стоимость обработки одного обращения. Если вам обещают, что система «сама найдёт новую стратегию» или «откроет то, чего не видели эксперты», — это претензия на задачу Эйнштейна. Такие обещания требуют доказательств другого уровня.

Второй: что именно улучшилось — масштаб или принцип? Рост моделей по параметрам и данных — это улучшение внутри одной архитектуры. Аргумент Мохова как раз в том, что масштабирование не меняет природу задачи. Практический вывод: фраза «новая модель в десять раз больше» сама по себе не означает качественный скачок для вашего процесса. Проверяйте на своих задачах, а не на рекламных бенчмарках.

Третий: кто и когда погасит вексель? Если ценность продукта зависит от будущих возможностей («в следующей версии это заработает»), зафиксируйте: какой срок, какой критерий успеха, что происходит с вашими деньгами, если срок сорвётся. Обещание без критерия — это и есть непогашенный вексель из аргумента Мохова, только в коммерческой упаковке.

Что меняется Почему важно бизнесу Что проверить
Обещание AGI как аргумент продажи Под него продают долгосрочные контракты и дорогие внедрения Есть ли измеримый результат уже сегодня, без ссылки на «следующее поколение»
Различие «имитация vs открытие» Помогает не ждать от модели того, на что она архитектурно не рассчитана К какому типу относится ваша задача: текст, классификация, поиск — или генерация новых решений
Тезис о концептуальном плато Ставит под вопрос стратегии, построенные на «скорой замене людей» Опирается ли ваш план на проверенные возможности или на прогноз
Рост масштаба моделей Не равен качественному скачку для конкретного процесса Тест на ваших реальных данных, а не на демо вендора

Где границы и риски этого аргумента

Честный разбор требует указать слабые места самой позиции.

Во-первых, это мнение, а не установленный факт. Утверждение, что «философская база закончилась на Тьюринге», — интерпретация. В индустрии есть и противоположные аргументы, и исследования, которые пытаются выйти за пределы чистой языковой имитации. Строить стратегию только на одном философском эссе — такая же ошибка, как строить её только на заявлениях Маска.

Во-вторых, граница между «имитацией» и «открытием» размыта. Модели уже участвуют в научной работе — от подбора гипотез до анализа данных. Спор о том, является ли это «настоящим» новым знанием, философский, и бизнесу он важен ровно в одном месте: можно ли доверить модели решение без проверки человеком. Пока ответ — нет, независимо от того, кто прав в споре о плато.

В-третьих, сам текст, на который опирается обсуждение, распространялся с рекламной пометкой, а прямой верификации отдельной статьи у нас нет — есть ссылка на канал автора. Это не отменяет аргумент, но означает: формулировки могут быть упрощены пересказом. Перед тем как ссылаться на эту позицию в своих решениях, стоит прочитать первоисточник.

Наконец, главный операционный риск — перевернуть вывод. «AGI не гарантирован» не означает «ИИ бесполезен». Задачи Тьюринга — тексты, поддержка, документы, аналитика — уже дают измеримую экономию. Отказ от них из-за скепсиса к AGI — потеря реальных денег сегодня.

Что сделать на этой неделе

Практический чек-лист для руководителя, который хочет применить эту рамку к своим решениям:

  1. Инвентаризируйте обещания. Выпишите все ИИ-инициативы, которые сейчас обсуждаются в компании, и отметьте у каждой: результат обещан сейчас или «в следующих версиях».
  2. Разделите задачи по типу. Отметьте, какие задачи — имитационные (тексты, ответы, классификация, резюме), а какие требуют новых решений. Для вторых назначьте обязательную проверку человеком.
  3. Проверьте один контракт. Возьмите действующий или предлагаемый договор с ИИ-вендором и найдите в нём измеримый критерий результата. Если его нет — запросите.
  4. Запустите один тест на своих данных. Выберите одну реальную задачу и прогоните через модель 20–30 реальных примеров. Зафиксируйте долю приемлемых результатов и время проверки.
  5. Пересмотрите стратегические допущения. Найдите в планах компании места, где заложено «ИИ заменит/сделает сам через N лет», и пометьте их как прогноз, а не как факт.
  6. Прочитайте первоисточник. Если аргумент о плато влияет на ваши решения, найдите полный текст статьи Мохова и оцените его напрямую, а не по пересказу.

Вывод простой: спор о том, достиг ли ИИ концептуального плато, не решён, и бизнесу не нужно его решать. Нужно другое — перестать оплачивать векселя и начать оплачивать проверяемые результаты. Рамка «задача Тьюринга против задачи Эйнштейна» — удобный инструмент для этого разделения, каким бы ни был итог философского спора.

Источники

Что почитать дальше