ИИ — это не просто ChatGPT: почему разговор о моделях слишком узок

Source asciidoc: `docs/article/2026-03-29-ai-is-not-just-chatgpt-five-layer-stack.adoc` Когда массовый пользователь говорит «ИИ», он почти всегда имеет в виду интерфейс: чат, который отвечает на вопросы, пишет код или пересказывает документы. Из-за этого возникает удобная, но ложная оптика: будто ИИ — это просто удачное приложение поверх интернета. На практике индустрия уже давно движется в другом масштабе. Речь идет не об одном продукте и даже не об одной модели, а о полном производственном стеке, где каждый верхний слой зависит от нижнего.

Именно поэтому сравнение «ИИ = ChatGPT» сегодня уже слишком узко. ChatGPT — важный и заметный интерфейсный слой. Но за ним стоят энергетика, специализированные чипы, дата-центры, сети, охлаждение, программные платформы, модели разных классов и прикладные системы в медицине, биологии, инженерии, логистике, безопасности и робототехнике. Если убрать эту глубину, невозможно понять ни экономику рынка, ни реальную конкуренцию, ни будущее занятости.

Один из самых удачных способов объяснить это предложил Дженсен Хуанг: ИИ можно рассматривать как пятислойный стек. Внизу находится энергия. Выше — чипы, превращающие электричество в вычисление. Затем инфраструктура: земля, корпуса, питание, сеть, охлаждение, ввод в эксплуатацию и управление тысячами ускорителей как одной системой. Лишь после этого идут модели, а уже на вершине — приложения, где создается прикладная ценность. В этой логике чат-бот — не весь ИИ, а только один из интерфейсов на верхнем слое.

Эта рамка полезна не потому, что она эффектная, а потому, что она дисциплинирует взгляд. Она заставляет помнить: каждый новый «умный» продукт тянет за собой спрос на электричество, вычислительную плотность, строительство и эксплуатацию мощностей. Международное энергетическое агентство уже фиксирует, что потребление электроэнергии дата-центрами к 2030 году в базовом сценарии может примерно удвоиться и дойти до порядка 945 ТВт·ч. Для отрасли это означает простую вещь: дефицитным ресурсом становится уже не только талант ML-инженера, но и доступ к мощности, земле, трансмиссии, охлаждению и времени подключения к сети.

Именно поэтому тезис о том, что ИИ — это «просто софт», выглядит устаревшим. Масштабирование ИИ все больше похоже на строительство новой промышленной инфраструктуры. Консультанты McKinsey прямо пишут о многотриллионном цикле строительства дата-центров и отдельно подчеркивают, что узкими местами становятся не только серверы, но и силовая архитектура, тепловое оборудование, жидкостное охлаждение, модульная сборка и скорость ввода площадок. Проще говоря, победа в ИИ все меньше определяется одной только моделью и все больше — способностью собрать полный контур от энергии до эксплуатации.

Но при всей убедительности инфраструктурной метафоры важно не впасть в новый перекос. ИИ не сводится и к дата-центрам. Ценность все равно создается наверху — в прикладных системах. Более того, сами модели уже давно шире языковых. Показательный пример — биология. Проекты уровня AlphaFold показали, что ИИ может быть не только инструментом для текста, но и ускорителем научного поиска, когда модель помогает предсказывать структуры и взаимодействия молекул. Ровно поэтому разговор об ИИ как о «чатике» становится все менее содержательным: перед нами класс технологий, который одновременно меняет цифровой труд, науку и физический мир.

Отсюда и главный спор о рынке труда. Упрощенная формула «ИИ заберет работу» столь же плоха, как и наивная формула «ИИ создаст только новые рабочие места». Более честная позиция сложнее: ИИ перераспределяет задачи, повышает требования к навыкам, ускоряет одни сегменты и давит на другие. Всемирный экономический форум ожидает крупную перестройку занятости к 2030 году: новые роли будут создаваться, старые — вытесняться, а главным ограничением станет дефицит навыков. Международная организация труда при этом подчеркивает, что для большинства профессий речь скорее идет о трансформации работы, чем о полном исчезновении: человеку все еще нужен контроль, контекст, ответственность и коммуникация.

Даже кейс радиологии, который часто приводят как доказательство «безболезненной автоматизации», не стоит романтизировать. Да, ИИ способен усиливать диагностические процессы, ускорять работу со снимками и разгружать рутину. Но клиническая интеграция оказывается сложнее лозунгов. Исследования показывают не только потенциал продуктивности, но и риски неправильного внедрения: рост напряжения, выгорания, недоверия и конфликтов вокруг роли специалиста. Из этого следует важный вывод: сама по себе автоматизация не гарантирует улучшения. Результат зависит от дизайна процессов, принятия технологии в профессии и качества организационной адаптации.

Есть и еще один сдерживающий фактор: распределение выгод. OECD отдельно предупреждает, что развитие ИИ может сопровождаться концентрацией компетенций и капитала у крупных игроков, неравномерным внедрением, усилением неравенства и новыми барьерами доступа. Иными словами, инфраструктурный рывок не означает автоматически справедливого распределения эффекта. Страны, компании и специалисты, которые не успеют встроиться в новую цепочку стоимости, рискуют оказаться не пользователями роста, а его внешним периметром.

Поэтому самый точный короткий ответ на вопрос «почему ИИ — это не просто ChatGPT?» звучит так: потому что ChatGPT — это только один вид интерфейса на вершине большого промышленного стека. Под ним находятся энергия, чипы, инфраструктура, модели и целая экономика внедрения. А вокруг него — не только новые продукты, но и новая борьба за мощность, кадры, производительность и контроль над базовой инфраструктурой.

Сегодня выигрывает не тот, кто просто подключил себе чат-бота, а тот, кто понимает всю цепочку: от киловатта и дата-центра до доменной модели и рабочего процесса. Именно в этом смысле ИИ действительно больше похож на электричество и интернет, чем на очередное модное приложение. И именно поэтому разговор об ИИ на уровне «какой промпт написать» уже недостаточен для тех, кто хочет понимать не интерфейс, а индустрию.