Генеративный ИИ перестал быть главной новостью — он стал инфраструктурой. Как отмечают эксперты, в 2025 году технология начала масштабный переход от экспериментальной стадии к промышленному применению . Сегодняшний вопрос звучит иначе: что приходит на смену генерации контента? Ответ формируется на глазах. Аналитики Counterpoint Research, Gartner и участники Computex 2026 сходятся в главном: следующая волна — это агентный ИИ (Agentic AI) и физический ИИ (Physical AI) . Первый превращает модели из генераторов ответов в автономных исполнителей. Второй выводит интеллект за пределы экрана — в роботов, дроны и автономные системы.
Kandinsky
От реактивных генераторов к проактивным агентам
Ключевое различие между поколениями ИИ — не в объёме данных, а в характере действия. Генеративный ИИ реагирует на запрос: пользователь задаёт вопрос, модель выдаёт ответ. Агентный ИИ действует автономно: он ставит цель, разбивает её на шаги, привлекает инструменты и выполняет последовательность действий без постоянного контроля человека .
«Со временем у каждого из нас появится свой агент или мультиагентная система — целый класс автономных агентов, работающих 24 часа в сутки», — заявил президент Сбербанка Герман Греф в июле 2026 года. «Дайте ИИ-агенту допуск к календарю и переписке — и он будет круглосуточно отвечать на почту, решать задачи, анализировать документы и разрабатывать план действий» .
Архитектурно это означает переход к распределённым системам. Вместо одного монолитного «мозга» компании разворачивают команды специализированных агентов: финансовый агент анализирует счета, логистический ищет поставщиков, координатор распределяет задачи . Такая структура, по оценкам экспертов, меняет не только технологию, но и организационную логику: агенты взаимодействуют друг с другом по протоколам, подобно микросервисам в дата-центрах .
Пример из российской практики: Yandex Cloud внедрила мультиагентную систему в свой центр кибербезопасности. Один агент сканирует уведомления, другой перепроверяет данные на наличие ошибок. В компании уточнили, что ИИ-агенты работают автономно, но анализируют и принимают решения сообща. Результат — автоматизация 39% рутинных задач, а время обработки ложных срабатываний сократилось на 86% .
Физический ИИ: интеллект, который действует в реальном мире
Если агентный ИИ остаётся в цифровом пространстве, физический ИИ делает следующий шаг — соединяет рассуждение с действием в материальном мире. «Физический ИИ вносит логику языковых моделей в материальный мир, позволяя системам рассуждать, обрабатывать неопределённость и адаптироваться к незнакомой среде», — объясняет Иван Калинов, генеральный директор Yandex Robotics .
Разница с традиционной робототехникой принципиальна. Промышленные роботы десятилетиями программировались на выполнение жёстко заданных операций. Физический ИИ учится через имитационное обучение — наблюдает за действиями в симулированной среде, осваивает базовые навыки, а затем комбинирует их в последовательности, адаптируясь к изменяющимся условиям . Классический пример: робот, способный сварить кофе в незнакомой кухне — он не знает заранее, где стоят чашки и кофеварка, но может найти их и составить план действий.
Переход от программных агентов к физическим требует фундаментальной перестройки инфраструктуры. Генеральный директор Nvidia Джон Розенберг (прим.: фактически — Дженсен Хуанг, в тексте оригинала источник указывает на высказывания представителей Nvidia) неоднократно подчёркивал: физический ИИ — это «ChatGPT-момент» для робототехники . В 2026 году Nvidia активно продвигает платформу Vera Rubin, предназначенную для эры агентного и физического ИИ, а также демонстрирует разработки в области автономных такси и человекоподобных роботов .
Мир, в котором живут агенты: инфраструктурный вызов
Агентный и физический ИИ порождают требования, которым существующая ИТ-инфраструктура не всегда соответствует. Как отмечает Gartner, к 2028 году в промышленных средах физический ИИ сможет автоматизировать до 50% ручных операций, недоступных для современных технологий . Но для этого нужны сети, процессоры и архитектуры нового типа.
Сети. Huawei на форуме «День телекоммуникаций» 2026 года сформулировал новый принцип: сеть должна перейти от «ориентации на трафик» к «ориентации на агента» . Для работы робота, который передаёт видео 4K и получает команды с задержкой в миллисекунды, нужна радикально иная пропускная способность. Пример из практики: в 2026 году на роботизированном марафоне в Пекине робот двигался со скоростью 7 м/с по трассе шириной 8 м — любая задержка сигнала означала бы сход с дистанции .
Процессоры. Архитектура вычислений тоже трансформируется. Центральный процессор перестаёт быть вспомогательным элементом в GPU-кластере — он становится оркестратором, определяющим, как распределяются задачи между агентами и как быстро они обмениваются данными . Counterpoint Research прогнозирует рост глобального рынка DC CPU с $25 млрд в 2025 году до $130 млрд к 2030 году, причём ARM-архитектура может занять почти половину рынка .
Стандарты взаимодействия. Чтобы агенты разных производителей могли сотрудничать, нужны общие протоколы. В 2025 году IBM предложила открытую инфраструктуру Agent Stack на основе протокола A2A (Agent2Agent), позволяющего агентам из разных фреймворков обмениваться данными . К 2026 году эта логика начала распространяться и на «железо»: например, калифорнийский стартап Revolve Robotics продемонстрировал складского робота, который получает задания через Microsoft Copilot и обменивается телеметрией через ту же шину A2A, что и облачные сервисы .
Политика и регулирование: кто отвечает за действия агента?
Рост автономности ставит вопросы, которые технология сама не решает. Когда агент совершает ошибку — кто отвечает: разработчик, оператор или сам алгоритм?
Эксперты выделяют два основных подхода. Первый — модель ответственности разработчика: создатель системы контролирует архитектуру и должен отвечать за её поведение. Второй — модель ответственности оператора: ответственность лежит на том, кто развернул и использует систему в конкретном контексте .
На практике разрыв между этими моделями может быть критичным. Как показывают исследования, «ответственность распыляется по сетям разработчиков, операторов и пользователей, и нет чёткого ответа на вопрос: кто отвечает?» . В России этот вопрос пока не имеет однозначного законодательного решения — Генеральная прокуратура указывает, что «в условиях стремительного развития технологий ИИ возникает объективная необходимость пересмотра устоявшихся подходов к гражданско-правовой ответственности» .
Gartner в своих прогнозах обращает внимание и на проблему безопасности: к 2028 году не менее 50% новых инвестиций в безопасность автономных систем потребуют решений в области киберкинетической безопасности — защиты от атак, способных нанести физический ущерб через удалённое управление машинами .
Заключение
Генеративный ИИ научил машины говорить. Агентный ИИ учит их действовать. Физический ИИ — существовать в мире.
Эти три этапа не сменяют друг друга, а накладываются. Мультимодальные модели продолжают совершенствоваться, но их ценность теперь определяется не объёмом генерируемого текста, а способностью приводить к действию в реальных процессах и средах . Как отмечает исследование IEEE, «конвергенция агентного ИИ и физического ИИ — это системный сдвиг в сторону самоорганизующихся, адаптивных экосистем» .
Вопрос 2026 года не в том, будет ли агентный ИИ работать. Он уже работает — в логистике, кибербезопасности, промышленности и повседневных цифровых сервисах. Вопрос в том, как быстро системы управления, стандарты взаимодействия и регуляторные рамки успеют за этой технологией. И пока одни компании разворачивают мультиагентные платформы для автоматизации бизнес-процессов, а другие тестируют роботов на промышленных линиях, дискуссия смещается с «что возможно?» на «как мы будем жить с этим?».
