Казахстан на карте международного AI: почему эпоха универсальных моделей заканчивается

Казахстан на карте международного AI: почему эпоха универсальных моделей заканчивается

Универсальный продукт без учета особенностей рынка все чаще будет проигрывать более точно настроенным решениям, подчеркивают эксперты

Автор: Елизавета Терентьева, международный эксперт по внедрению AI, AI Strategy Manager, Axellect

Использование искусственного интеллекта становится все более массовым, но результат, получаемый с его помощью, зависит от многих факторов. По данным Stanford AI Index 2026, AI используют уже 88% организаций, а генеративный AI– 79%. Темпы внедрения AI обгоняют интернет и персональные компьютеры на аналогичных этапах развития.

В этом году в отчет Stanford AI Index впервые вошел TUMLU (Turkic Unified Multilingual Language Understanding) – набор тестов для оценки языковых моделей на тюркских языках, включая казахский. Его включение в главный мировой отчет по AI – не просто академическое достижение. Это сигнал: тюркские языки становятся частью международной системы оценки AI.

В TUMLU входят 38 тысяч вопросов школьного уровня по 11 предметам, от математики и биологии до истории и литературы. Ключевое отличие TUMLU в том, что задания составлены носителями языка, а не переведены с английского. Для оценки качества моделей это принципиально. Перевод редко передает грамматические особенности, культурный контекст и внутреннюю логику языка, а тюркские языки структурно заметно отличаются от европейских.

Именно поэтому TUMLU важен не только как региональная инициатива, но и как новый способ измерения реальных ограничений AI. На этом наборе уже тестировались GPT, Claude, Gemini и LLaMA, и все показали результаты заметно слабее, чем на английском. Иными словами, модели, которые уверенно решают сложные бизнес-задачи на европейских языках, по-прежнему могут плохо справляться с заданиями из казахского школьного курса.

Но есть нюанс. Массовое распространение технологии не означает ее глубокого внедрения. Большинство компаний сегодня находятся на стадии пилотов и экспериментов. Сами по себе сильные модели больше не дают конкурентного преимущества. Его определяют локальные данные, языковая среда, качество внедрения AI в конкретные бизнес-процессы.

Проблема сегодня не столько технологическая, сколько прикладная. Для бизнеса главный вопрос состоит не в том, доступна ли модель, а в том, где именно она дает измеримый результат. Это требует выбора правильных сценариев применения, качественных данных и понимания границ технологии.

В 2025 году передовые AI-модели превзошли человека в ряде задач уровня PhD, в соревновательной математике и мультимодальных рассуждениях. Качество решения задач по программированию за год выросло с 60% почти до 100%. Но при этом та же система может ошибаться в чтении аналоговых часов примерно в половине случаев. В отчете это называют jagged frontier: возможности AI растут быстро, но распределены крайне неравномерно.

Для бизнеса практический вывод состоит в том, что преимущества получают компании, которые умеют подбирать задачи для AI исходя из их бизнес-контекста и с учетом возможностей и ограничений каждой модели.

Еще один важный сигнал из отчета связан с рынком труда. В клиентской поддержке и разработке производительность благодаря AI уже выросла на 14-26%. Одновременно в США занятость молодых разработчиков в возрасте 22-25 лет сократилась почти на 20% за год, тогда как стоимость труда опытных специалистов продолжает расти.

Это означает, что первыми под давлением оказываются не профессии целиком, а отдельные задачи начального уровня. По мере развития агентных систем все больше сотрудников будут не только выполнять операционную работу, но и ставить задачи, контролировать исполнение и проверять результат.

Для компаний это повод уже сейчас пересмотреть подход к найму, онбордингу и развитию junior-специалистов. Вопрос не только в том, какие роли исчезнут или трансформируются, но и в том, какие навыки станут базовыми для входа в профессию. И здесь снова важен тот же вывод: адаптация к AI будет зависеть не от общей моды на технологию, а от того, насколько конкретная организация успеет перестроить свои процессы и требования к людям.

Отдельного внимания заслуживает разница в отношении к AI между теми, кто работает с технологией напрямую, и остальными сотрудниками. По данным Stanford AI Index, 73% специалистов, вовлеченных в сферу AI, считают, что технология положительно повлияет на занятость. Среди широкой аудитории такой точки зрения придерживаются только 23%.

Разрыв в 50 процентных пунктов показывает, насколько сильно внутри организаций могут расходиться представления о последствиях технологических изменений. Для руководителей это важный сигнал: сопротивление цифровой трансформации часто возникает не из-за самой технологии, а из-за недостатка объяснения, обучения и управляемых изменений.

Поэтому работа с изменениями и повышение AI-грамотности должны становиться частью корпоративной AI-стратегии. Иначе даже качественная технология будет упираться в недоверие, искажение ожиданий и внутреннее сопротивление.

Еще один вывод Stanford AI Index важен для компаний, которые строят продукты с расчетом на масштабирование. Единая глобальная модель регулирования AI пока не складывается.

В Европейском союзе действует Регламент об искусственном интеллекте (EU AI Act), который устанавливает требования к AI-системам в зависимости от уровня риска. США придерживаются более мягкого подхода к регулированию, а Япония и Южная Корея развивают собственные нормативные модели. Казахстан в этом процессе тоже не остается в стороне: работа над национальной концепцией развития AI продолжается.

Для компаний это означает, что требования к данным, архитектуре решений, объяснимости и управлению рисками нужно учитывать не после запуска продукта, а на старте. И здесь повторяется тот же принцип: чем сильнее фрагментируется глобальная среда, тем выше ценность локальной адаптации. Универсальный продукт без учета рынка, языка и регуляторной логики все чаще будет проигрывать более точно настроенным решениям.

TUMLU в Stanford AI Index, это не просто строчка в отчете. Это фиксация нового правила: глобальные модели больше не являются «достаточными». Их качество на локальных языках пока отстает от английского, и этот разрыв не сокращается сам собой.

Для Казахстана это означает, что участие в международной AI-повестке требует системной работы. Без развития языковых ресурсов, данных и собственных методов оценки страна рискует остаться на периферии в роли потребителя, а не создателя AI-решений.

Для бизнеса вывод еще более конкретный. Компании, которые сделают ставку на локальную адаптацию, сбор данных на казахском, настройку моделей под местный контекст, интеграцию AI в конкретные бизнес-процессы, получат преимущество перед теми, кто использует универсальные модели «из коробки». Вопрос не в том, какая модель сильнее. Вопрос в том, какая лучше работает здесь.

TUMLU первый индикатор того, что этот вопрос становится глобальным. Для Казахстана он уже локальный.

Источники: Stanford HAI AI Index Report 2026; TUMLU: A Unified and Native Language Understanding Benchmark for Turkic Languages (ACL 2025).

При работе с материалами Центра деловой информации Kapital.kz разрешено использование лишь 30% текста с обязательной гиперссылкой на источник. При использовании полного материала необходимо разрешение редакции.