Почти каждый сегодня использует GPT-4. Появление этой генеративной модели искусственного интеллекта навсегда изменило то, как мы учимся, работаем и взаимодействуем с информацией. К концу 2025 года ожидается релиз более мощного GPT-5. Очевидно, нас ждут новые изменения в функциональности и адаптивности.
Команда SharksCode ежедневно работает с ИИ-технологиями, интегрируя их в бэкенд, интерфейсы и бизнес-процессы клиентов. В этой партнёрской статье делимся шестью ключевыми трендами, которые определят будущее генеративного искусственного интеллекта после выхода GPT-5. Много технологических изменений ожидает не только разработчиков, но и бизнес.
Современные модели, такие как GPT‑4.5 или DeepSeek-R1, уже продемонстрировали ограниченные способности к логическому мышлению. Но это только начало. Появление GPT-5 и других более продвинутых моделей 2025 года приведёт нас к reasoning-first ИИ. Эти модели смогут не просто генерировать ответы на основе обучающих данных, но и логически анализировать, планировать и решать сложные задачи.
По данным Forbes, GPT-5 объединит логические способности серии Omni (включая GPT‑4o) с языковыми возможностями других моделей GPT. Это позволит новой мощной технологии не только генерировать текст, предсказывая порядок и логику слов, но и планировать и анализировать. Благодаря этому уменьшится частота «галлюцинаций» – ошибочных ответов, которые являются главной проблемой при работе с текущими моделями генеративного ИИ.
GPT-5 разрабатывается для решения так называемых «пятичасовых задач» – сложных операций, состоящих в общей сложности из тысячи отдельных шагов.
В Sapphire Ventures прогнозируют, что в 2025 году появится ещё несколько моделей уровня GPT-5 с улучшенной логикой. Развитие этого направления активно финансируют не только OpenAI, DeepSeek и Alibaba, но и венчурные инвесторы.
Содержание
Владимир Корниенко, CPO SharksCode:
«На наш взгляд, модели уровня GPT-5 открывают новую эру продуктового менеджмента: гипотезы формируются не за дни, а за минуты, сегменты пользователей подбираются автоматически, а сценарии “что если” тестируются без привлечения целой аналитической команды. Это не просто ускоряет цикл принятия решений, а вшивает аналитику и интеллект в сам продукт. Персонализированные советы, адаптивные интерфейсы и автономные ИИ-агенты становятся не футуризмом, а новым стандартом».
Простые чат-боты, которые стандартно отвечают на наиболее распространённые запросы, уступают место агентам искусственного интеллекта. Последние обладают более продвинутыми функциями, что делает их полноценными цифровыми помощниками. Они способны полностью автономно выполнять сложные задачи без постоянного вмешательства человека. ИИ-агенты уже могут автоматизировать некоторые процессы на уровне менеджеров или даже разработчиков.
ИИ-агенты приносят пользу в сферах клиентской поддержки, IT, продаж, безопасности и вертикальных приложений. В 2024 году компания ServiceNow сэкономила $350 млн благодаря ИИ в обслуживании клиентов, IT-поддержке, HR-процессах, помощи разработчикам и маркетинге. Компания уже планирует расширить использование этих инструментов.
Более интересный пример – ИИ-разработчик Devin 2.1 от Cognition. Он способен самостоятельно проходить этапы планирования, обработки данных и анализа. Также может самостоятельно оценивать свои шансы на выполнение задачи, неплохо работает с большими кодовыми базами. В любой момент Devin 2.1 можно спросить о конкретной части кода, запросить подробное объяснение определённой реализации или попросить предложить дальнейшие действия. После этого Devin предоставит ответ, основанный на фрагментах кодовой базы. И всё это уже интегрировано в Linear и Jira.
Владимир Корниенко, CPO SharksCode:
«ИИ-агенты становятся частью продуктовой логики – от онбординга до поддержки, от автоматизации до анализа обратной связи. Они позволяют сократить время на разработку, освободить ресурсы команды и создавать функционал, который адаптируется в реальном времени под действия пользователя. Для продактов это новый инструмент влияния на удержание, NPS и эффективность команды без привлечения дополнительных рук».
Мир ИИ выходит за пределы текста. Мультимодальность — это способность модели работать с несколькими типами данных одновременно: текстом, PDF-документами, изображениями, видео и аудио. И делать это в одном интерфейсе, в реальном времени. Уже сейчас модели вроде GPT-4o, Claude 3 или Granite 3.2 демонстрируют такие навыки, но GPT-5 обещает превратить это не просто в фичу, а в стандарт.
Представьте себе продукт, в котором ИИ одновременно читает текст, распознаёт изображения, понимает речь, просматривает видео и сразу делает выводы. Он сможет взять график продаж, отзывы клиентов в видео, статистику кампании — и в едином анализе указать, где слабое место и как его устранить. Больше не нужно объединять десятки инструментов — всё обрабатывается в одном ИИ-ядре.
Владимир Корниенко, CPO SharksCode:
«Продукты с мультимодальным ИИ превращаются в полноценных аналитиков, исследователей и стратегов. Это открывает новый класс возможностей: от автоматизированного UX-аудита и модерации до генерации отчётов из разных форматов в один клик. Для продактов это шанс создавать функции, которые видят и понимают продукт так же, как пользователь».
Компании всё чаще переходят от универсальных больших языковых моделей (LLM) к специализированным, обученным для выполнения конкретных задач или работы в определённых отраслях. Это экономит время и ресурсы, поскольку не нужно задействовать весь потенциал большой модели.
Microsoft предлагает Phi — адаптацию небольшой языковой модели к конкретным нуждам организации с помощью широких возможностей кастомизации.
Модель Orca 2 доступна как часть Windows SDK и выпускается в двух версиях: на 7 и 13 миллиардов параметров. Orca 2 показывает производительность, сравнимую или даже выше, чем у моделей, в 5–10 раз больше по объёму. Она хорошо зарекомендовала себя в задачах, требующих логического мышления (reasoning), без предварительного обучения на конкретных примерах.
Ожидается, что малые языковые модели (SLM) и модели с открытым кодом, такие как Mistral и LLaMA 3a, постепенно займут долю рынка у ведущих LLM. Они дешевле в локальном развёртывании и предлагают более высокий уровень конфиденциальности и безопасности данных. Это особенно важно для юридических и медицинских организаций.
Владимир Корниенко, CPO SharksCode:
«Малые и специализированные модели позволяют встраивать ИИ глубже и точнее — в конкретные функции продукта, без лишних затрат на инфраструктуру. Это даёт возможность запускать более быстрые, дешёвые и безопасные фичи — например, локальных AI-ассистентов, кастомные поисковые системы или модули оценки рисков. Для продуктов в чувствительных отраслях, таких как медицина или финансы, это шанс внедрять ИИ без передачи данных внешним системам».
ИИ становится чем-то гораздо большим, чем просто инструментом. Он превращается в платформу для создания кастомных агентов и приложений. Такие платформы, как OpenAI GPTs, Google Gems и Hugging Face Agents позволяют разрабатывать собственные ИИ-решения даже без глубоких технических знаний. А в GPT Store или AI Agent Store разработчик может монетизировать своё приложение. Маркетплейсы интуитивно понятны и используют рейтинговую систему, похожую на ту, что применяется в Apple App Store или Google Play.
С другой стороны, крупные компании получили возможность быстро создавать собственных ИИ-агентов для автоматизации внутренних процессов, таких как обработка клиентских запросов или анализ данных.
Например, американская фармацевтическая и биотехнологическая компания Moderna создала более 750 GPT для внутреннего использования и оптимизации различных задач.
Владимир Корниенко, CPO SharksCode:
«ИИ-платформы открывают возможность создавать новые продукты не с нуля, а на базе готовых экосистем — с кастомными агентами, интеграциями и собственным маркетплейсом. Продуктовые команды могут запускать MVP за считанные дни, быстро тестировать гипотезы, монетизировать отдельные фичи как независимые приложения и масштабироваться без перегрузки разработки. Это новая модель продуктового мышления — когда ИИ становится не инструментом, а основой всей продуктовой архитектуры».
С ростом возможностей ИИ модели будут требовать не только большей мощности, но и решения вопросов этики, энергоэффективности и регулирования. Обучение GPT-4 потребовало 25 тыс. графических процессоров NVIDIA A100, работающих в течение примерно 90–100 суток. Потребление электроэнергии оценили от 51 773 до 62 319 МВт·ч. Это эквивалентно годовому энергопотреблению небольшого города и создало серьёзную нагрузку на энергосеть. А выбросы углекислого газа во время обучения GPT-4 (в зависимости от источника энергии) оцениваются в 1035–14 994 метрических тонн CO2. Просто цифра: если обучаемый GPT-4 выбрасывал более 15 тыс. тонн CO2e, это столько же, сколько и годовые выбросы 938 американцев.
Именно поэтому в 2025 году фокус сместится на энергоэффективные модели и «зелёные» дата-центры. Специализированные чипы (ASIC), предназначенные для ИИ, предлагают более высокую эффективность по сравнению с универсальными GPU. Например, Google TPU и AWS Inferentia более энергоэффективны при инференсе.
Google, Microsoft и Amazon активно инвестируют в создание «зелёных» дата-центров, которые используют возобновляемые источники энергии и эффективные системы охлаждения. Например, в 2024 году Google инвестировал дополнительно миллиард евро в улучшение своего дата-центра в Хамине, Финляндия, где для охлаждения используется морская вода.
Что касается регулирования и этики, в ЕС уже действует AI Act. Он классифицирует ИИ-системы по уровню риска: от недопустимых (запрещённых) до минимальных. Высокорисковые системы подпадают под строгие требования к безопасности, прозрачности и качеству. Также предъявляются требования к прозрачности универсальных ИИ-моделей, в том числе с открытым кодом.
В Украине уже подписали рамочную конвенцию о защите прав человека и ИИ. А в Великобритании рассматривается поправка к закону о данных, обязывающая компании, разрабатывающие ИИ, раскрывать использование контента, защищённого авторским правом. В Японии уже возникли проблемы с балансом между внедрением ИИ в здравоохранение и защитой конфиденциальности пациентов. Новые реформы должны стандартизировать обмен данными и разрешения на повторное использование частично анонимизированных медицинских данных.
Владимир Корниенко, CPO SharksCode:
«Продуктовые команды должны учитывать не только возможности ИИ, но и его последствия: энергозатраты, прозрачность алгоритмов и соблюдение этических норм. Это означает выбор более энергоэффективных моделей (SLM, on-premise-решения), внедрение логов и пояснений к решениям ИИ внутри продукта, а также соответствие местному регулированию, особенно в ЕС или странах с жёсткими нормами защиты данных. Продукты, демонстрирующие прозрачность и уважение к пользователю, получат конкурентное преимущество уже в 2025 году».
Владимир Корниенко, CPO SharksCode:
«Мир продуктов вступает в новую фазу — эру умного ИИ, который не просто отвечает на запросы, а думает, адаптируется и работает как полноценный член команды. Это уже не футуризм, а реальность, которую бизнес может использовать прямо сейчас: от гиперперсонализированных решений до автономных агентов, которые обучаются и действуют в сложных средах.
В SharksCode мы уже создаём продукты, в которых ИИ оптимизирует процессы, сокращает издержки и ускоряет запуск новых функций.
Будущее — не за большими моделями, а за теми, что работают точнее, быстрее и дешевле. И те, кто сделает ставку на разумную интеграцию уже в 2025 году, не просто выиграют конкуренцию, а зададут новые правила игры.
Готовы к внедрению ИИ? Мы в SharksCode — да».