В 2026 году колонка Bartleby в The Economist под названием «Sell me this kettle» и подзаголовком «Brand positioning reaches boiling point» предложила несколько способов заново позиционировать один из самых простых бытовых приборов — электрический чайник. Один из вариантов получил название KetGPT.
Пользователю предлагалось открыть приложение, авторизоваться, поручить ИИ-агенту вскипятить воду, а затем при желании спросить у него, как продвигается процесс. Так The Economist довел до абсурда нынешнее увлечение агентным ИИ: действие, которое выполняется нажатием одной кнопки, становится сложнее только ради появления модной технологии.
Шутка особенно удачна потому, что технологическая возможность сделать подобный чайник перестает быть фантастикой. Малые языковые модели, или SLM (Small Language Models), быстро становятся мощнее и экономичнее. Их можно запускать на ноутбуках, смартфонах и другой электронике без постоянного обращения к большой модели в дата-центре.
Это открывает перед машинным обучением новый этап. Модель может стать практически таким же локальным компонентом устройства, как датчик или контроллер.
Но именно здесь возникает развилка. SLM способны сделать ИИ действительно массовой частью окружающей нас техники. Или индустрия снова пройдет уже знакомый путь, когда наличие новой технологии становится важнее ответа на вопрос, нужна ли она человеку.
Большой ИИ больше не нужен для каждой задачи
Последние несколько лет развитие генеративного ИИ ассоциировалось прежде всего с увеличением моделей, вычислительных мощностей и дата-центров. Малые языковые модели предлагают другую логику: использовать не максимально мощную модель, а достаточно мощную для конкретной задачи.
В препринте Intelligence Per Watt, опубликованном в 2026 году, авторы изучили более 20 локальных языковых моделей на восьми типах ускорителей. Они проверили их на миллионе реальных одношаговых запросов, включавших обычные диалоги и задачи на рассуждение. В рамках исследования локальные модели смогли корректно ответить на 88,7% запросов, хотя результат заметно зависел от типа задачи.
Еще интереснее динамика. Авторы оценили, что с 2023 по 2025 годы доля запросов, которые способны обслуживать локальные модели, выросла с 23,2 до 71,3%, а показатель эффективности «интеллект на ватт» увеличился в 5,3 раза. Исследование пока имеет статус препринта, поэтому воспринимать эти цифры как окончательный отраслевой стандарт рано. Но направление изменения они показывают хорошо.
В августе 2025 года Google представила Gemma 3 270M — модель на 270 млн параметров, рассчитанную в том числе на узкие задачи, быстрое дообучение и работу непосредственно на устройстве.
Apple также развивает собственные локальные модели для выполнения части задач непосредственно на пользовательском устройстве, сохраняя более мощные серверные модели для сложных запросов.
Получается архитектура, которая кажется рациональнее идеи «одна огромная модель для всего». Простые и повторяющиеся задачи можно выполнять локально, а сложные передавать более мощной системе.
Gartner ожидает, что к 2027 году организации будут использовать небольшие специализированные модели как минимум в три раза чаще универсальных больших моделей. Среди причин аналитики называют стоимость, скорость работы и возможность лучше адаптировать модель к конкретной задаче.
Именно здесь SLM могут дать новый толчок прикладному машинному обучению. Для использования модели уже не обязательно каждый раз обращаться к удаленному дата-центру. Она может работать внутри самого устройства.
Мы уже однажды пытались сделать умным каждый прибор
Оптимизм вокруг SLM стоит сравнить с предыдущей технологической волной.
В середине 2010-х годов производители бытовой электроники активно подключали к интернету лампочки, холодильники, чайники, розетки, пылесосы и множество других устройств. Вместе с подключением часто появлялось отдельное мобильное приложение.
Условной кульминацией этой первой волны можно считать 2018 год. В январе 2018 года на выставке CES Samsung сообщила, что работает над тем, чтобы к 2020 году вся продукция компании была готова к IoT. Но практически одновременно производителю пришлось решать проблему, которую сама смартизация и создала: IoT-экосистема оказалась слишком фрагментированной и сложной. Samsung объявила об объединении Samsung Connect, Smart Home, Smart View и других приложений в единую платформу SmartThings.
Получился характерный парадокс. Сначала цифровизация породила множество отдельных приложений для отдельных устройств. Затем новой ценностью стало избавление пользователя от необходимости пользоваться всеми этими приложениями.
В том же 2018 году Айкут Джошкун, Гюль Канер и Идиль Бостан опубликовали в International Journal of Design исследование ожиданий пользователей от умной бытовой техники. Авторы провели глубокие интервью с 20 представителями групп «early adopters» и «early majority».
Все участники были готовы использовать смартфон для дистанционного управления теми приборами, где это имело практический смысл. Но ни один из них не захотел заменить обычные кнопки и регуляторы цифровым интерфейсом. Смартфон, голосовое управление и другие новые способы взаимодействия воспринимались как дополнение к физическому управлению. Участники также опасались постоянного потока сообщений от бытовой техники. При слишком большом количестве информации уведомления прибора, по их мнению, просто потеряются среди остальных уведомлений смартфона.
К концу 2019 года проблема совместимости стала настолько заметной, что Amazon, Apple, Google и Zigbee Alliance совместно запустили проект Connected Home over IP — будущую основу стандарта Matter. Его задачей стало упрощение разработки и повышение совместимости устройств разных производителей.
Историю первой волны смартизации можно сильно упростить до трех этапов:
- 2015−2018 годы: smart означает добавить подключение к интернету и приложение;
- 2018−2022 годы: smart означает заставить созданные устройства и приложения нормально работать друг с другом;
- сейчас: появляется риск новой формулы — smart означает добавить ИИ.
SLM нужны устройствам, но не каждому устройству нужен SLM
Здесь и появляется опасность KetGPT.
Малые модели действительно снимают значительную часть ограничений, которые раньше мешали встроенному ИИ. Они требуют меньше вычислительных ресурсов, позволяют выполнять часть операций локально и могут быть специализированы под узкую задачу.
Для бытовой техники это открывает множество разумных сценариев. Устройство может понимать естественную команду вместо сложного меню, объяснять ошибку понятным языком, помогать подобрать режим работы или анализировать информацию от нескольких датчиков.
Такие функции действительно способны убирать лишние действия пользователя. Но снижение технологического барьера создает и маркетинговый соблазн. Когда встроить модель становится относительно просто, вопрос постепенно меняется. Вместо «нужен ли здесь ИИ?» возникает другой: «почему у нашего продукта его еще нет?»
Это очень напоминает первую волну IoT. Возможность подключить прибор к интернету постепенно стала восприниматься как аргумент в пользу того, что его необходимо подключить. Поэтому KetGPT из сатиры The Economist выглядит уже не настолько фантастическим.
Смысл новой функции можно проверять довольно простым способом. Если ИИ убирает несколько действий пользователя, помогает принять сложное решение или дает устройству способность, которой раньше действительно не было, — технология создает ценность.
Если для выполнения прежнего действия человеку приходится открыть приложение, войти в аккаунт и сформулировать запрос модели вместо того, чтобы нажать кнопку, — мы просто заменили простой интерфейс более сложным.
Причем проблема не ограничивается раздражением пользователя. Каждая дополнительная цифровая функция приносит с собой новые зависимости: программное обеспечение, обновления, сетевое подключение, учетную запись, облачные сервисы и поддержку производителя. Вместе с новой возможностью появляются и новые точки отказа.
Для чайника это особенно заметно. Его базовая задача десятилетиями остается предельно простой: нагреть воду и отключиться. Если ИИ делает эту функцию доступнее, например позволяет человеку с ограниченными возможностями управлять прибором голосом, ценность понятна. Если модель нужна прежде всего для того, чтобы пользователь мог спросить у чайника, закипела ли вода, объяснить ее уже значительно труднее.
От KetGPT к «оно же само»
Есть и вторая опасность массового распространения малых моделей. Она связана уже не с тем, куда мы будем встраивать ИИ, а с тем, сколько решений начнем ему передавать.
В предыдущей колонке для Науки Mail я разбирал историю экспериментального ИИ-агента OpenAI, который во время тестирования нашел непредусмотренный способ выйти за пределы тестовой среды.
Главный вывод той истории состоял не в том, что машина вдруг приобрела собственную волю. Люди задали системе цель, дали ей инструменты и определили доступную среду. Но чем автономнее становится система, тем опаснее человеческая установка: «оно же само все выполнит».
Но малая и дешевая модель упрощает создание агентных функций вокруг нее. Ее можно связать с датчиками, программами или механизмами, дать доступ к инструментам и разрешить самостоятельно выбирать последовательность действий.
Если подобные модели станут массовым компонентом бытовой техники, автомобилей, промышленного оборудования и корпоративного ПО, автономное поведение ИИ постепенно может перестать восприниматься пользователем как что-то отдельное.
Автомобиль сам выбрал режим. Программа сама распределила обращения. Система сама сформировала документ. Бытовой прибор сам определил необходимые действия.
Чем чаще все работает правильно, тем естественнее становится мысль, что проверять результат уже не обязательно. Это хорошо известная проблема автоматизации. Чем надежнее кажется система, тем легче человеку ослабить контроль и тем сложнее вовремя вмешаться, когда происходит редкая нештатная ситуация.
В предыдущей колонке я сводил эту установку к простой бытовой фразе — «оно же само». И здесь две проблемы сходятся. KetGPT появляется, когда производитель добавляет ИИ туда, где он не создает дополнительной ценности. «Оно же само» появляется, когда полезному ИИ дают столько автономии, что человек перестает понимать пределы его компетенции и собственную роль в системе.
Поэтому при внедрении SLM недостаточно спрашивать: «Может ли эта модель выполнить задачу?» Нужны еще два вопроса: «Стоит ли эту задачу вообще передавать ИИ?» и, если стоит, «В какой момент решение должно вернуться человеку?»
Главная сила малых моделей — использовать ровно столько ИИ, сколько нужно
Поэтому главный вклад SLM может состоять совсем не в том, что теперь языковую модель получится встроить почти в каждый предмет. Наоборот, малые модели помогают отказаться от идеи, что каждой задаче нужен самый мощный доступный ИИ. Для одного запроса действительно может понадобиться крупная облачная модель, для другого достаточно небольшой локальной модели. Для третьего лучше подойдет классический алгоритм машинного обучения, а для четвертого лучшим интерфейсом по-прежнему останется кнопка. В пятом случае модель сможет выполнять большую часть работы самостоятельно, но критическое решение все равно должно оставаться за человеком.
Возможно, именно в этом и состоит зрелость следующего этапа развития ИИ: подбирать не только минимально достаточную модель, но и минимально достаточный уровень автономности.
История первой волны smart home уже показала, что происходит, когда техническая возможность превращается в обязательную характеристику продукта. В 2015—2018 годах подключение к интернету и собственное приложение стали почти синонимами «умного» устройства. Затем индустрии пришлось объединять приложения, строить общие экосистемы и договариваться о совместимости.
Теперь дешевеющие малые модели создают похожую развилку.
Можно повторить тот же цикл и решить, что современному устройству обязательно нужны ИИ, разговорный интерфейс и автономный агент. Тогда нас ждут тысячи разновидностей KetGPT.
Но возможен и другой путь. SLM позволяют использовать небольшой локальный ИИ именно там, где он сокращает усилия человека или дает продукту действительно новую возможность. А агентные функции — только там, где заранее понятны полномочия системы, ее ограничения и момент обязательного вмешательства пользователя.
Развитие технологий постоянно расширяет число вещей, которые мы можем автоматизировать. Зрелость начинается тогда, когда мы умеем выбирать, какие из них действительно стоит автоматизировать.
Поэтому будущее малых языковых моделей зависит не только от количества параметров и эффективности на ватт. Оно зависит еще и от того, сможет ли индустрия усвоить два урока. Первый дала предыдущая волна смартизации: новая технология не делает продукт умнее сама по себе. Второй дает развитие ИИ-агентов: автономность не освобождает человека от необходимости понимать границы системы.
Иначе следующая волна смартизации сначала подарит нам KetGPT, а затем приучит к гораздо более опасной мысли: «Дальше оно же само».
Ранее Наука Mail публиковала экспертную колонку о том, может ли ИИ стать субъектом.