Часто обещают, что искусственный интеллект возьмёт на себя рутину, и у руководителя появится свободное время. Дженсен Хуанг, глава Nvidia, одного из главных производителей чипов для ИИ, с этим не согласен. В подкасте BG2 инвестора Брэда Герстнера он сказал так.
> Говорят, у нас появится больше времени. Я совершенно не согласен.
Мы разобрали выпуск с позиции владельца малого и среднего бизнеса в России. В нём три линии, которые касаются вас: что ИИ-агенты научились делать за год, как впустить их в компанию и не разнести процессы, и что будет с деньгами в ИИ. Последний вопрос ведущий задал открыто: лопнет ли пузырь. Ответ Хуанга неожиданный. Вывод для ваших вложений в конце статьи наш, а не его.
Разбор с цитатами можно посмотреть на YouTube. Ниже подробная версия: что сказал Хуанг, где его логика работает в масштабе Nvidia, а где её надо пересчитать под компанию на тридцать человек.
Коротко, три правила Хуанга для ИИ-агентов:
1. Ноль доверия в первый день. Минимум прав, доступов и денег, ровно под задачу. Границы расширяются по мере того, как агент доказывает надёжность.
2. Наблюдение со стороны. Независимый контур видит отклонения от правил и может остановить агента.
3. Безопасность как часть продукта. Хуанг сравнивает её с подушками безопасности: без них функция не выживает.
Даст ли ИИ больше свободного времени
Что говорит Хуанг. Каждое новое знание открывает дверь, а за дверью новые возможности, вызовы и проблемы. Его довод: покажите семью, которая не хочет большего. Кончаются не амбиции, а возможности, и ИИ их открывает. Поэтому освободившиеся часы уйдут не на отдых, а на задачи, за которые раньше не брались.
Ведущий вспомнил Кейнса. По его словам, в 1930 году Кейнс ждал, что через век экономика вырастет в восемь раз. Экономика выросла, а работаем мы не пятнадцать часов в неделю, а восемьдесят. Это реплика в беседе, а не статистика. Наш вывод: Кейнс не учёл, что работа это смысл.
Наш разбор. Для небольшой компании этот тезис точнее, чем для корпорации. У корпорации есть запас людей, и сэкономленные часы можно сократить. У владельца небольшого бизнеса сэкономленный час тут же занимает следующая задача из списка, который не кончается. Поэтому расчёт вроде «ИИ сэкономит двести часов в месяц» (цифра для примера) о выгоде не говорит ничего. Часы сэкономятся, а выручка не изменится, если заранее не решено, куда они пойдут.
Что сделать. Поменяйте единицу измерения. Вместо «сколько часов сэкономим» спросите «какую задачу мы теперь возьмём»: новый рынок, второй продукт, клиенты, до которых не доходили руки. В план на 2027 год закладывайте новые направления, а не короткую неделю. Если направление назвать нельзя, пилот подождёт.
Почему ИИ дешевеет и зачем не откладывать пилоты
Что говорит Хуанг. Он берёт для примера первую GPT, первую модель этой серии, и сравнивает, во что обходилось её обучение тогда и во что обошлось бы сейчас. Дальше он ждёт удешевления интеллекта в два, а то и в двадцать раз в год.
> Первая GPT стоила, скажем, условно, двадцать миллионов долларов. А если обучать GPT-1 сегодня, это обойдётся в тысячу, может, в сто долларов.
Наш разбор. У этой кривой есть ловушка. Логика «подождём, пока подешевеет» кажется разумной, но дешевеет интеллект, а не ваше умение им пользоваться. Пока вы ждёте, конкурент учит сотрудников, собирает данные и набивает руку на ошибках.
Есть и вторая сторона. Если цена падает в разы за год, пилот (пробный запуск агента на одной задаче) не обязан окупаться на сегодняшних ценах. Его задача проверить, что процесс поддаётся агенту и где он ломается.
Что сделать. Запустите пилот там, где ошибка агента заметна и не приносит ущерба: черновики ответов, разбор входящих заявок. Не покупайте под пилот оборудование и не подписывайте долгих договоров: Хуанг ждёт, что интеллект заметно подешевеет уже в течение года.
Что умеют ИИ-агенты в 2026 году
Что говорит Хуанг. За год изменились две вещи: память и инструменты. Модель это мозг. Вокруг неё теперь каркас: рабочая память, база знаний и доступ к программам. Агента научили пользоваться теми же инструментами, что и люди: чертёжными программами, таблицами, графическими редакторами. Первой отраслью стало программирование, самый лёгкий вход. Следующий шаг он видит у себя в компании: агент Astra от OpenAI, как его называет Хуанг, по фотографии детали строит чертёж для производства. Дальше дизайн, маркетинг, инженерия. Самое сложное, по его словам, не умения агента, а как безопасно его впустить.
Вторая волна это физический ИИ, то есть ИИ в роботах, камерах и машинах. За первые полгода Nvidia продала в эту сторону на 10 миллиардов долларов. Годом раньше было 5 миллиардов за весь год.
Наш разбор. Год назад ИИ в компании это окно переписки: задали вопрос, получили текст, перенесли руками. Агент сам открывает таблицу, читает письмо, заносит данные в учётную систему и помнит, что делал вчера. Это превращает его из советчика в исполнителя. Здесь же риск: исполнитель с доступом к учётной системе может не только заполнить карточку, но и испортить её.
Про границы. Чертёж по фотографии показывает, куда идёт технология, а не то, что доступно каждому цеху сегодня. У Nvidia такой чертёж проверяют инженеры. У вас проверяющих может не быть, поэтому на старте выбирайте задачи, где результат читается глазами за минуту: письмо, сводка, карточка товара.
Что сделать. Составьте список из десяти повторяющихся задач, где сотрудник заполняет, переносит, сверяет или отвечает. Выберите одну с самой заметной ошибкой и самым дешёвым ущербом. Это кандидат на первого агента.
Станет ли ваша компания технологической
Что говорит Хуанг. Каждая логистическая и транспортная компания станет технологической. Он называет FedEx и Walmart и говорит, что рад за них. Про телеком добавляет: отрасль когда-то была технологической, потом стала сервисной и теперь снова станет технологической.
Наш разбор. Масштабы здесь надо разводить. У FedEx и Walmart большие технические команды, для них «стать технологической компанией» значит написать собственную систему. Для компании из тридцати или трёхсот человек это значит перестать видеть в программах расходную статью и начать видеть часть продукта. Транспортная компания, у которой клиент видит статус груза и получает ответ за минуту, конкурирует уже не ценой за километр, а предсказуемостью.
Граница в том, что технологической компания становится не от подписки на ИИ. Она становится ею, когда есть человек, отвечающий за данные и процессы, и когда решения принимаются по цифрам из своей системы.
Что сделать. Задайте один вопрос: за что клиент платит нам и какую часть этого можно сделать быстрее или точнее с помощью данных. Ответ и есть направление, куда пойдут сэкономленные часы.
Как безопасно внедрить ИИ-агента в компанию
Что говорит Хуанг. Идеального согласования целей не будет никогда. Пример: задача «будь полезен обществу». Для одного это щедрость, для другого заработать и жертвовать, способов бесконечно. Поэтому не надейтесь, что агент сам поймёт, чего вы хотите. Обращайтесь с ним как с новым сотрудником.
> Когда тестируешь ИИ: нулевое доверие, минимум границ, минимум прав. И расширяешь их по мере тестов, пока не появится уверенность.
Три правила из блока «Коротко» он раскрывает так. Доверие растёт по мере проверок, как годовалого ребёнка выпускают из манежа. Наблюдение должно быть внешним, потому что сотрудник ведёт себя иначе, когда начальник сидит рядом, и этот контур должен уметь остановить агента, просто выключить. Для этого Nvidia выпустила открытый инструмент OpenShell, к нему присоединились больше ста компаний. А безопасность это не тормоз, а подушки в машине: никто не скажет «отличный сервис, жаль, что он разнёс нам базу».
Наш разбор. Хуанг говорит про крупные системы, но в небольшой компании правила выполнить проще. Ноль доверия на практике это четыре условия.
1. Отдельная учётная запись для агента, а не ваш личный доступ.
2. Права на чтение везде, где запись не нужна, и доступ к одной папке, а не ко всему диску.
3. Письма агент готовит как черновики, отправляет человек.
4. Если агент работает с деньгами, лимит на операцию задан заранее, а не после первой ошибки.
Внешний контроль (отдельная система наблюдения, до которой агент не дотягивается) не требует инструментов масштаба Nvidia. Для начала хватит журнала действий, который агент не может править, и человека, который читает этот журнал каждый день первые недели. Кнопка остановки это отзыв доступа одним действием, и проверить её нужно до запуска, а не в день аварии.
Где граница сравнения с сотрудником. Агент не боится последствий и может понять инструкцию не так, как вы хотели. Поэтому доверие агенту расширяется медленнее, чем человеку, и каждое расширение прав оформляется отдельным решением.
Как завести первого агента с ограниченными правами, по шагам разбираем в бесплатной Академии Solaris AI. Это программа на срок от 6 до 8 недель с практическими заданиями к каждому модулю.
Лопнет ли пузырь ИИ
Что говорит ведущий. Все лаборатории ИИ (компании, которые разрабатывают модели) заработают в этом году около 200 миллиардов долларов. Чтобы окупить триллионы, вложенные в стройку, выручка должна удваиваться: 400 миллиардов в следующем году, 800 потом. Рынок нервничает: накануне записи акции просели на споре, сколько заработала OpenAI, 70 или 50 миллиардов долларов. По словам ведущего, Хуанга недавно спрашивали, когда лопнет пузырь, и он ответил про два-три года.
Что отвечает Хуанг. Вы смотрите не на те цифры. Спрос на вычисления делится на три равные части. Первая треть это обычные вычисления без ИИ: расчёты, обработка данных, графика, защита от мошенничества в банках. Она растёт на величину от 30 до 40 процентов в год и никуда не денется, пока люди покупают онлайн. Вторая треть это лаборатории, и не две, а пять или шесть: OpenAI, Anthropic, Google, Meta и Grok Илона Маска. Третья треть это тысячи стартапов, которые арендуют мощности.
О двух главных лабораториях, не называя их, Хуанг говорит так.
> Это будут две самые значимые технологические компании в истории. Они добьются колоссального успеха. Но для успеха им совсем не нужна выручка в триллион долларов.
Nvidia продаёт чипы этим лабораториям и называет их партнёрами, так что оптимизм Хуанга читайте с этой поправкой.
Про два-три года ведущий уточнил сам: это горизонт, на котором видны заказы. На вопрос ведущего, что дальше, Хуанг отвечает словом «навсегда». Идёт перестройка всех вычислений на планете, остановить её может только мировая депрессия. Его довод: закон Мура кончился. Раньше ждали год и получали вдвое больше мощности за те же деньги, теперь за вдвое большую мощность платят вдвое. Значит, по Хуангу, счёт за вычисления растёт даже без ИИ. К концу десятилетия стройка инфраструктуры выйдет на сумму от 3 до 4 триллионов долларов в год. Nvidia обещала рост на 70 процентов в следующем году, заказы приходят каждую неделю. Узкое место не чипы, а земля, электричество и здания: два гигаватта в Австралии это 80 миллиардов долларов. Уверенность в будущем он оценивает в 99,99 процента, но добавляет: волноваться правильно, предсказывать конец света нет.
Наш разбор. Здесь два разных счёта, и их легко спутать. Цена одной задачи для интеллекта падает, об этом раздел выше. А общие траты отрасли на мощности растут, потому что мощностей строят всё больше. На наш взгляд, цифры Хуанга это скорее книга заказов, чем прогноз, но проверить это мы не можем. Контракты на два-три года он видит. Что дальше, не знает никто, а его «навсегда» опирается на довод про закон Мура, а не на веру в ИИ.
Наш вывод для читателя. Пузырь, если лопнет, лопнет у тех, кто ждёт от двух лабораторий триллион выручки. Ваши вложения устроены иначе: вы не строите центр данных, а арендуете интеллект, который дешевеет, и получаете результат на своих задачах. Риск владельца среднего бизнеса не в пузыре, а в долгом договоре на мощности и в зависимости от одного поставщика модели. Считайте окупаемость на своих задачах и стройте процесс так, чтобы модель можно было заменить без переписывания всего.
Почему открытые модели это шанс для среднего бизнеса
Что говорит Хуанг. Из стартапов, арендующих мощности, 80 процентов работают на открытых моделях, бесплатных для скачивания. Они не соревнуются с лабораториями, а дообучают модель на своих данных. В своей узкой области такая модель, по его словам, выходит на уровень, который он называет сверхразумом.
Наш разбор. Дообучение это донастройка готовой модели на ваших примерах, чтобы она точнее работала на вашем круге задач. На наш взгляд, это окно для среднего бизнеса: не покупать самый умный ИИ, а настроить открытую модель под свою задачу. Трезво о том, что это даёт и чего требует. Даёт модель, которая работает на ваших данных в вашем контуре и не отправляет документы наружу. Требует размеченных данных по задаче (сколько примеров, зависит от задачи), мощностей и инженера, который умеет дообучать и потом поддерживать. Дообученная открытая модель не становится умнее больших моделей в целом. Она становится точнее на вашем узком круге задач, и только на нём.
Большинству компаний дообучение на старте не нужно. Сначала модель без дообучения плюс база знаний компании, к которой агент обращается по запросу. Это дешевле и обратимо. Дообучение оправдано, когда задача массовая и однотипная, а база знаний уже не вытягивает качество.
Что сделать. Начните собирать данные уже сейчас: примеры хороших ответов, правильно заполненных документов, одобренных текстов. Этот запас не дешевеет вместе с интеллектом.
Как применить правила Хуанга в своём бизнесе
На неделю.
1. Одна задача. Выберите один повторяющийся процесс с заметной и дешёвой ошибкой. Не три, одну.
2. Список прав строго под задачу. Четыре условия из раздела про безопасное внедрение, записанные под эту конкретную задачу.
3. Внешний контроль и кнопка остановки. Журнал действий, который агент не редактирует, человек, который его читает, и проверенный до запуска способ отозвать доступ одним действием.
4. Расчёт в новых задачах. Запишите, какую задачу возьмёте на освободившиеся часы. Без этой строки пилот не запускается.
На квартал.
1. Расширение прав по журналу. Каждые две или три недели решайте, что агенту можно доверить ещё. Расширение оформляется решением, а не происходит само.
2. Второй процесс. Только после месяца работы первого без аварий и спорных случаев.
3. Данные. Копите примеры правильной работы для будущей настройки модели.
4. Сверка расчёта. Через квартал смотрите не на сэкономленные часы, а на то, сдвинулась ли новая задача, под которую их освобождали.
Если вы выбираете первую задачу для ИИ, начните с чек-листа «12 вопросов перед внедрением» в нашем боте.
Один шаг до пятницы, 23 октября: запишите на листе одну задачу для агента и список его прав с пометками «чтение» или «запись».
Частые вопросы
Правда ли, что ИИ не сэкономит время руководителю?
Сэкономит, только пауза окажется короткой. Хуанг описывает цепочку: новое умение открывает дверь, за ней новая работа, и так без конца. Для владельца бизнеса это означает рост списка дел, а не его сокращение.
Можно ли подождать, пока ИИ подешевеет ещё сильнее?
Ждать можно, но за это время опыт накопит кто-то другой. Цена вычислений действительно падает, а умение команды работать с агентом за деньги не купить. Поэтому маленький пилот сегодня стоит больше, чем выглядит в смете.
Чем ИИ-агент отличается от чата с моделью?
Чат отдаёт текст, и дальше человек работает руками. У агента есть два дополнения, о которых говорит Хуанг: память о сделанном и доступ к программам. Из-за второго он и способен навредить: там, где он умеет писать, он умеет и переписать.
Какие права дать агенту на старте?
Ровно те, без которых задача не выполняется, и ни одного сверх. Удобный тест: если агент завтра перепутает инструкцию, что он сможет сломать с такими правами. Ответ «ничего ценного» значит, что набор прав подобран верно.
Нужен ли OpenShell небольшой компании?
Это открытая разработка Nvidia для внешнего наблюдения за агентами. Для одного агента хватит простого журнала и возможности отключить его за секунды. Специализированные инструменты имеют смысл, когда агентов становится много и за ними уже не уследить вручную.
Опасно ли вкладываться в ИИ, если пузырь лопнет?
Спор о пузыре идёт вокруг выручки лабораторий и стоимости строек, а не вокруг вашей компании. Вы ничего не строите, а платите за результат на своих задачах по цене, которая снижается. Если лаборатории не дотянут до ожиданий рынка, ваш агент от этого хуже работать не станет.
Стоит ли дообучать открытую модель на своих данных?
Для первого агента это лишняя сложность. Хватает готовой модели и базы знаний компании, к которой она обращается. Дообучение имеет смысл на потоке однотипных задач, где качество упёрлось в потолок, и при наличии инженера и размеченных примеров.