Искусственный интеллект

Попросила Gemini написать песню о нашем Бздиппи-пи от его имени. Бздипоша рассказывает какой он.

После консультации у психолога остается гораздо больше материала, чем обычно попадает в рабочие заметки. В разговоре могут прозвучать точные формулировки клиента, повторяющиеся мысли, важные эмоциональные реакции, изменения в позиции и вопросы, к которым стоит вернуться на следующей встрече. Часть этой информации специалист фиксирует во время сессии, часть запоминает, а остальное остается только в аудиозаписи.

ИИ может помочь превратить запись в структурированный рабочий черновик. Его задача в таком сценарии не состоит в постановке диагноза или принятии профессиональных решений. Он переводит разговор в текст, распределяет материал по заранее заданным категориям и показывает, на каких словах клиента основан каждый вывод.

Почему одной записи консультации недостаточно

Запись сохраняет разговор полностью, но вот работать с ней после встречи не всегда удобно. Чтобы найти конкретный фрагмент, психологу приходится вспоминать примерное время, перематывать файл и повторно слушать часть консультации, иногда по кругу. Если нужно проверить несколько формулировок, восстановить последовательность разговора и подготовиться к следующей встрече, прослушивание становится отдельной трудоемкой задачей.

Краткие заметки решают проблему лишь частично. Во время консультации специалист одновременно слушает клиента, задает вопросы, следит за ходом сессии и фиксирует отдельные наблюдения. Поэтому записи неизбежно остаются выборочными. В них может сохраниться общий смысл, но потеряться точная цитата, последовательность реплик или контекст, в котором появилась важная мысль.

Первый рабочий шаг — перевод записи в текст или транскрибация. Текст можно читать в удобном темпе, искать по отдельным словам и сопоставлять с исходным аудио. Если реплики разделены между участниками и связаны с временными отметками, специалист быстрее проверяет нужный момент и не переслушивает консультацию целиком.

Для частного психолога это способ сократить объем механической работы после встречи. Для психологического центра текстовая расшифровка может стать основой единого формата внутренних записей. Хотя стоит упомянуть, что расшифровка ≠ анализ, им в дальнейшем занимается специалист или настроенный ИИ-ассистент.

Какие данные можно получить из одной сессии

Полезный анализ начинается с конкретного перечня вопросов. Чем точнее задана структура, тем проще психологу проверить результат и отделить факты от предположений.

Из текста одной консультации можно получить несколько рабочих блоков.

— Цель и основной фокус встречи
ИИ может собрать темы, с которыми клиент пришел, отметить вопросы, к которым участники возвращались, и показать, чем завершилась консультация. Это помогает быстрее восстановить ход сессии перед следующей встречей.

— Ключевые темы и точные цитаты
Вместо общего пересказа система выделяет дословные формулировки клиента и связывает их с обсуждаемой темой. Психолог получает важное текстовое основание, на котором построен вывод.

— Повторяющиеся мысли и убеждения
В расшифровке можно найти похожие фразы и устойчивые формулировки. ИИ способен обозначить возможный паттерн, который помогает специалисту сделать окончательную интерпретацию с учетом истории клиента и контекста всей работы.

— Эмоции и реакции
Важно разделять эмоции, которые клиент назвал прямо, и реакции, которые можно только предположить по его словам. Риск, что догадка алгоритма попробует сойти как за установленный факт сразу снижается.

— Факты, интерпретации и гипотезы
Событие, о котором рассказал клиент, его собственное объяснение, комментарий психолога и предположение ИИ должны оставаться разными типами информации. Их смешение сделает отчет менее надежным.

— Интервенции психолога
По тексту можно выделить уточняющие вопросы, резюмирование, проверку гипотез, нормализацию, планирование действий и другие элементы работы специалиста. Так мы восстанавливаем и содержание разговора, и ход самой консультации.

— Признаки изменений и следующий фокус
ИИ может отметить новые формулировки клиента, готовность к действию, изменение отношения к проблемной мысли или же отсутствие заметного сдвига. По итогам можно собрать вопросы и темы для следующей встречи.

В расширенный отчет можно включить и прямые маркеры риска, если они прозвучали в разговоре. Здесь особенно важно не достраивать отсутствующие признаки. Если прямых формулировок нет, система должна указать именно это.

Почему подробный промпт важнее общей команды

Одна и та же расшифровка может дать разные результаты в зависимости от инструкции. Общая команда «проанализируй сессию» оставляет модели чересчур много свободы. Она может пересказать разговор, сделать широкие выводы или вообще смешать слова клиента с собственными интерпретациями.

Рабочий промпт ограничивает анализ. В нем нужно потребовать опираться только на текст, не ставить диагнозы, не добавлять отсутствующие события и эмоции, а гипотезы обозначать отдельно. Для важных выводов должны использоваться цитаты или конкретные фрагменты расшифровки. Если данных недостаточно, корректный ответ должен прямо это показывать.

Значение имеет и формат результата. Таблицы позволяют быстро сопоставлять тему, подтверждение и статус вывода. Отдельные поля для факта, интерпретации и гипотезы не дают машинному отчету превратиться в поток уверенных утверждений. Перечень вопросов для следующей встречи делает анализ прикладным: специалист видит, какие темы можно продолжить и на чем основана такая рекомендация.

Ниже приведен уже готовый промпт для доказательного анализа одной терапевтической сессии. Его задача состоит в подготовке подробного черновика для психолога.

Доказательный анализ терапевтической сессии

Инструкция для ассистента:
Проанализируй транскрибацию психологической сессии. Работай строго с текстом транскрипта. Не добавляй эмоции, телесные ощущения, события, мотивы или формулировки, которых нет в материале. Не ставь диагнозы и не делай клинических заключений. Если вывод является гипотезой, явно помечай его как гипотезу и указывай, на каких словах клиента он основан. Если данных недостаточно, пиши «недостаточно данных», а для таблиц возвращай пустой массив, не выдумывай строки. Отдельно различай: факты из сессии, интерпретации клиента, интерпретации психолога и твои аналитические гипотезы. Для важных выводов используй дословные цитаты клиента. Ответ должен быть полезен для внутреннего отчета психолога, подготовки к следующей встрече, супервизии и сравнения с другими сессиями.

Что нужно определить и вернуть:

1. Цель сессии (обязательно)
Кратко сформулируй основную цель или фокус сессии. Опирайся на то, с чем клиент пришел, что повторялось в начале и к чему вернулись в конце. Не расширяй цель за пределы транскрипта.

2. Ключевые темы сессии (обязательно, таблица)
Выдели основные темы, которые обсуждались на сессии. Для каждой темы укажи подтверждение из транскрипта. Если тема повторялась несколько раз, отметь это.

Для каждой темы укажи:

— Тема — обязательно.
— Описание — обязательно.
— Подтверждение из транскрипта — обязательно.
— Повторялась ли тема — обязательно, ответ «да» или «нет».
— Эмоциональная интенсивность — необязательно, оценка от 0 до 10.

3. Ключевые цитаты клиента (обязательно, таблица)
Выдели дословные формулировки клиента, которые важны для понимания сессии: повторяющиеся убеждения, эмоциональные реакции, избегание, конфликтные темы, признаки прогресса или важные терапевтические гипотезы. Не перефразируй цитаты.

Для каждой цитаты укажи:

— Цитата — обязательно.
— Что отражает — обязательно.
— Категория — выбери один вариант: самокритика / страх оценки / избегание / стыд / тревога / злость / грусть / обесценивание успеха / отношения / родительский опыт / прогресс / другое.

4. Повторяющиеся мысли и убеждения клиента (обязательно, таблица)
Найди мысли, фразы или убеждения, которые повторяются в речи клиента или выглядят как устойчивый внутренний паттерн. Обязательно укажи дословную формулировку клиента. Если называешь паттерн, делай это как гипотезу, а не как диагноз.

Для каждой мысли или убеждения укажи:

— Мысль или убеждение — обязательно.
— Дословная формулировка клиента — обязательно.
— Возможный паттерн, обозначенный как гипотеза, — необязательно.
— Основание для вывода — обязательно.
— Насколько выражено — необязательно, оценка от 0 до 10.

5. Эмоции и реакции клиента (обязательно, таблица)
Определи эмоции и реакции клиента. Разделяй эмоции, которые клиент назвал прямо, и эмоции, которые можно только предположить по словам клиента. Не добавляй телесные ощущения, которых нет в транскрипте. В поле «Как проявилась» используй только слова клиента или нейтральное описание речевой реакции.

Для каждой эмоции или реакции укажи:

— Эмоция — выбери один вариант: тревога / стыд / злость / грусть / страх / вина / растерянность / облегчение / обида / надежда / другое.
— Статус вывода — выбери один вариант: названа клиентом прямо / предположена по словам клиента / названа психологом / недостаточно данных.
— Контекст — обязательно.
— Как проявилась — обязательно.
— Цитата или основание — обязательно.
— Интенсивность — необязательно, оценка от 0 до 10.

6. Факты, интерпретации и гипотезы (обязательно, таблица)
Раздели важные факты из сессии, интерпретации клиента, интерпретации психолога и возможные аналитические гипотезы. Это нужно, чтобы отчет не смешивал событие, переживание и вывод.

Для каждого фрагмента укажи:

— Фрагмент — обязательно.
— Тип — выбери один вариант: факт из сессии / интерпретация клиента / интерпретация психолога / аналитическая гипотеза / недостаточно данных.
— Комментарий — необязательно.

7. Триггеры, конфликтные темы и избегание (обязательно, таблица)
Выдели ситуации, темы или вопросы, которые запускали сильные реакции, уход от темы, оправдания, прокрастинацию, рационализацию, обесценивание, желание завершить разговор или другие признаки избегания. Если данных нет, верни пустую таблицу.

Для каждого триггера или конфликтной темы укажи:

— Триггер или тема — обязательно.
— Реакция клиента — обязательно.
— Есть ли избегание — обязательно, ответ «да» или «нет».
— Тип избегания или защиты — выбери один вариант: прокрастинация / оправдание / уход от темы / обесценивание / рационализация / молчание / чрезмерное объяснение / попытка быстро завершить ситуацию / недостаточно данных / другое.
— Подтверждение из транскрипта — обязательно.
— Комментарий — необязательно.

8. Интервенции психолога (обязательно, таблица)
Опиши, что делал психолог в сессии. Называй интервенцию максимально точно. Если тип интервенции неочевиден, выбери «другое» и поясни. Отдельно отметь реакцию клиента, если она есть в транскрипте.

Для каждой интервенции укажи:

— Интервенция — выбери один вариант: уточняющий вопрос / отражение чувств / резюмирование / переосмысление / проверка гипотезы / разделение фактов и интерпретаций / выделение повторяющегося паттерна / связывание с прошлым опытом / шкалирование / конфронтация / нормализация / психообразование / домашнее задание / планирование действия / другое.
— Контекст применения — обязательно.
— Подтверждение из транскрипта — обязательно.
— Реакция клиента — необязательно.

9. Прогресс по терапевтическим целям (обязательно, выбери один вариант)
Оцени прогресс только по данным этой сессии. Учитывай новые осознавания, снижение убедительности проблемной мысли, появление альтернативной формулировки, готовность к действию, выполнение или принятие домашнего задания. Если данных мало, выбери «недостаточно данных».
Варианты: явный прогресс / умеренный прогресс / незначительный прогресс / стагнация / откат / недостаточно данных

10. Основания для оценки прогресса (обязательно, таблица)
Перечисли конкретные признаки, на основании которых была выбрана оценка прогресса. Для каждого признака укажи фрагмент или цитату из транскрипта.

Для каждого признака укажи:

— Признак прогресса или его отсутствия — обязательно.
— Подтверждение из транскрипта — обязательно.
— Комментарий — необязательно.

11. Что важно вынести на следующую встречу (обязательно, таблица)
Сформулируй конкретные темы, вопросы, гипотезы и действия для следующей сессии. Не добавляй темы, которые не вытекают из транскрипта.

Для каждой темы, гипотезы или задачи укажи:

— Что продолжить — обязательно.
— Почему это важно — обязательно.
— Основание из транскрипта — обязательно.
— Приоритет — выбери один вариант: высокий / средний / низкий.

12. Риски и важные ограничения анализа (обязательно)
Отметь, есть ли в транскрипте прямые маркеры риска, кризиса, самоповреждения, угрозы другим, насилия или тяжелой дезорганизации. Не додумывай риск. Если прямых маркеров нет, напиши «прямые маркеры риска не обнаружены». Также укажи ограничения анализа, связанные с качеством ASR или нехваткой контекста.

13. Краткий итог сессии (обязательно)
Сделай короткий профессиональный итог сессии в 4–7 предложениях. Итог должен быть нейтральным, доказательным и без диагнозов. Укажи центральный паттерн, ключевой сдвиг в сессии и основной фокус дальнейшей работы.

Основатель Semantica AI — о том, как AI-поиск меняет маркетинг, почему компаниям придется шире работать с контентом и зачем бизнесу думать не только о ссылках, но и о доверии нейросетей.

AI-поиск уже забирает у классической выдачи внимание пользователя, но для бизнеса это не просто новая полка в маркетинговом бюджете. В этой реальности бренд должен быть понятен машине, присутствовать в источниках, которым она доверяет, и уметь отвечать на вопросы клиентов до того, как они попали в форму заявки.

Антон Коченевский, основатель Semantica AI, разбирает GEO как практику: от первых метрик и ограничений до корпоративных медиа, MCP и внутренних AI-инструментов.

Источник аудио.

Илья Балахнин: Добрый день, друзья. Меня зовут Илья Балахнин, я возглавляю агентство Paper Planes. Сегодня мы будем говорить о сравнительно новом инструменте, который называется GEO. Как подсказал мне наш сегодняшний гость, на рынке уже возник консенсус: это произносится именно как «джио», а не «гео».

В martech исторически очень много инструментов, но новых видов маркетинговых инструментов появляется не так уж много. Нейросети, искусственный интеллект, агенты и все, что вокруг них развивается, меняют эту картину. Они во многом вытесняют собой поиск: почти каждый уже хотя бы раз обращался к нейросети с просьбой что-то порекомендовать или помочь выбрать.

Сегодня поговорим о том, как превращать эту тенденцию в инструмент для бизнеса. Наш гость — Антон Коченевский, основатель и генеральный директор Semantica AI. Антон, привет! Расскажи для начала, что такое Semantica, откуда она появилась и из чего эволюционировала.

Антон Коченевский: Компания молодая, она появилась в 2025 году. Но предыстория бизнеса — это примерно десятилетний опыт в digital и SEO. У меня было digital-агентство, которое работало с SEO как с одним из каналов, а еще был опыт поиска ценности в стартапах, SaaS и облачных сервисах.

В 2025 году все соединилось: вместе с партнером Леонидом Довбенко мы начали проект с аналитики упоминаний. Потом стало понятно, что сама по себе аналитика в 2026 году уже не так ценна, как ответ на вопрос: что с этими данными делать и какую пользу из них извлечь для бизнеса.

Так появилась Semantica — сервис, который помогает компаниям занимать заметные места в AI-выдаче. Особенно ценным это оказалось для крупных компаний. Малому бизнесу, скорее всего, пока рано интенсивно заниматься GEO, а для крупных игроков это стало актуально уже в конце прошлого года.

Илья Балахнин: Давай подробнее про сервис. Я видел интерфейс Semantica. Какие подразделения компаний чаще всего интересуются бренд-менеджментом и маркетингом в AI-выдаче? Появились ли уже отдельные службы, отвечающие за GEO?

Антон Коченевский: Сейчас чаще всего это три блока. Первый — SEO-команды: у них буквально уходит земля из-под ног, поэтому им необходимо считать и понимать, что происходит с AI-выдачей. Позже я еще поделюсь цифрами по тому, сколько AI-поиск уже забрал у классического поиска.

Второй блок — бренд, имидж и PR. Им важно отслеживать не только сам факт появления бренда в ответе, но и качество этого появления: с какой тональностью бренд упомянут, где именно внутри ответа стоит рекомендация, первым ли он назван или оказался где-то в списке.

Третий блок — CMO, digital-директора и маркетинговые руководители в целом. Им важно не упустить новый канал с точки зрения performance, продаж, тональности и конкурентной среды. Отдельно появляются SEO-агентства: им нужно либо выпускать свои инструменты аналитики, либо писать скрипты, но поддерживать такие решения дорого и сложно.

Илья Балахнин: Какие отрасли стали первыми клиентами? Кто раньше других почувствовал, что с AI-поиском уже нужно работать?

Антон Коченевский: В первую очередь — большие SaaS-компании. Еще среди ранних клиентов были крупные интернет-магазины, офлайн-розница, автосалоны, медицина, доставка. Мы молодые, поэтому глобально почти всех можно считать первопроходцами.

Очень интересная конкурентная работа идет в категориях, где есть заметные бренды и сильный маркетинг: парфюмерия, косметика, маркетплейсы, автодилеры. Если у компании большой рынок и пользователь каждый день что-то спрашивает в поиске, там уже появляется емкость для AI-поиска.

Для нас ключевая характеристика идеального клиента — это не отрасль сама по себе, а объем пользовательского рынка. Если люди регулярно спрашивают: «какой лучший автосалон», «где купить», «какой сервис выбрать», значит, в AI-ответах уже возникает поле конкуренции.

Илья Балахнин: Ты обещал цифры: сколько AI-поиск уже отъел у классического SEO? Я правильно понимаю, что речь может идти о 14-16 процентах?

Антон Коченевский: Если говорить о мировом рынке, по свежим весенним данным AI-поиск уже забрал около 40%. По России мы оцениваем это примерно в 15-20%. Но у нас есть уникальная ситуация: главная нейросеть в России по аудитории — это Алиса.

Во-первых, продано около 26 млн колонок в домохозяйствах, и все они уже имеют интернет. Во-вторых, есть интеграция в Яндекс и сниппет с умным ответом от Алисы. Это тоже нужно считать частью AI-поиска.

По данным Яндекса, количество показов AI-ответов в 2025 году выросло примерно в семь раз: с 5% до 35%. Поэтому, скорее всего, в этом году доля AI-ответов в Яндексе может прийти к 70%, 80% или даже 90%. Это будет уже полноценный большой блок, забирающий максимум внимания.

Илья Балахнин: Представим, что я хочу попасть в AI-выдачу сам или хочу завести туда клиента. Что нужно сделать? Не возьмем пока устройства и Алису, а посмотрим на набор нейросетей и на источники, которым они доверяют.

Антон Коченевский: Во-первых, это набор нейросетей. Во-вторых, есть регуляторика: ожидаемо, что появятся ограничения по работе с зарубежными нейросетями, поэтому мы действуем в правовом поле, но следим за развитием ситуации.

Если говорить о доверии нейросетей к источникам, то хорошо работают площадки с живым пользовательским контентом и устойчивой репутацией. Когда-то форумы и UGC-площадки могли казаться устаревшими, но теперь они возвращаются в топы. Например, в некоторых сферах я часто вижу Pikabu, а в IT и разработке — Habr.

Поэтому совет простой: если у вас до сих пор есть сильная UGC-составляющая, корпоративное сообщество, форум или база знаний, не списывайте это со счетов. Нейросетям нужны источники, где есть контекст, ответы, мнения, опыт пользователей и следы реального взаимодействия.

Илья Балахнин: В этом смысле мода на корпоративные медиа получает новое дыхание? Раньше у них была понятная роль в SEO, а теперь появляется еще и нейросетевая видимость.

Антон Коченевский: Корпоративные медиа точно нужно делать, но важно поменять парадигму. Раньше компания могла думать: вот есть поисковый спрос, вот есть SEO-текст, мы закрываем конкретную семантику. Теперь семантика может быть гораздо шире, потому что нейросеть отвечает на очень разные вопросы.

Нужно покрывать то, до чего раньше просто не доходили руки. Все, что спрашивают про вашу компанию, продукт, категорию, конкурентов, способы выбора, барьеры покупки, можно превращать в полезный контент. И нейросети помогают этот объем создавать быстрее.

Но я бы не советовал слепо делать реверс-инжиниринг текущих топов. Сегодня в США, например, заметен Reddit, в России — одни площадки, завтра все может измениться. Если мы просто раскручиваем клубок назад и публикуемся там, где уже цитируется, мы рискуем ошибиться в будущем.

Илья Балахнин: А когда, на твой взгляд, в России произойдет выравнивание между классическим поиском и AI-поиском? И что будет с SEO?

Антон Коченевский: Мировые аналитики называют 2028 год точкой изменения, и до него осталось не так много времени. В России все происходит быстрее, потому что Яндекс уже интегрирует AI-ответы в основной поиск, а Google двигает AI Mode и генеративные ответы в свою главную денежную корову.

Здесь возникает вопрос терминов. Если Google в большинстве случаев будет отдавать AI-ответ, считаем ли мы это все еще поиском? Если мы консервативны и говорим «Google есть Google», тогда это поисковик. Но по сути нужно разделять AEO — Answer Engine Optimization внутри поисковика — и GEO, где мы работаем с чистыми AI-системами вроде Perplexity, ChatGPT или Gemini.

SEO, скорее всего, не исчезнет одномоментно. Но я думаю, что часть SEO станет GEO: специалисты будут работать не только с классическими факторами ранжирования, но и с тем, как бренд представлен в ответах генеративных систем.

Илья Балахнин: Давай к ограничениям. В классическом поиске можно смотреть частотность, Wordstat, инструменты конкурентного анализа. А в нейросетях никто не отдает частотность запросов. Как с этим жить?

Антон Коченевский: Ни одна нейросеть не отдает честную частотность. Никто не скажет, сколько раз в Perplexity в России за месяц искали «посоветуй лучший сериал» или «где купить Mercedes». Это связано и с приватностью, и с тем, что сами сервисы пока не раскрывают такую аналитику.

Поэтому приходится собирать прокси-данные: Wordstat, поисковый спрос, поддержку, CRM, чаты, вопросы клиентов, рыночные гипотезы. Но нельзя просто взять Wordstat и сказать: вот это и есть рынок AI-поиска. Запросы в нейросетях устроены иначе: они длиннее, разговорнее, ближе к реальной задаче пользователя.

Еще один сложный вопрос — совпадает ли ответ, полученный через API, с тем, что пользователь видит на своем устройстве. Это большой «слон в комнате» для всей индустрии. Мы можем делать тысячи запросов по протоколу, но важно понимать, насколько эти ответы репрезентативны для реального пользовательского опыта.

Илья Балахнин: Какие функции клиенты уже хотят видеть в сервисе? И что из этого пока трудно сделать?

Антон Коченевский: Мы уже умеем определять место бренда в ответе, разбирать тональность, смотреть дополнительный слой: где именно внутри ответа вы появились, как соседствуют конкуренты, какие формулировки используются. Это важно, потому что «присутствуем» и «нас уверенно рекомендуют первыми» — совершенно разные состояния.

Маркетологи приходят с живыми задачами: например, «у нас барьер покупки фильтра для воды — цена, что можно сделать?» И дальше можно работать не только с отчетом, но и с гипотезами: какие ответы формирует нейросеть, какие возражения видит пользователь, где бренд проигрывает конкурентам.

Из сложного — состыковка разных источников и проверка ответа. Мы пока не можем честно сказать, что видим весь AI-поиск так же, как его видит каждый пользователь. Но индустрия быстро движется: появляются модели, API, новые способы анализа текста, и многие вещи, которые вчера казались невозможными, становятся рабочими.

Илья Балахнин: Когда заходишь на платформу, видно, что это стартаповый продукт. Сколько человек сейчас работает в компании и как вы управляете разработкой?

Антон Коченевский: Сейчас нас около пятнадцати человек. И разработка сегодня сильно отличается от разработки десять лет назад. У меня был опыт digital-агентства, я сам делал сайты и понимал, как выглядел классический процесс. Сейчас с AI-инструментами можно двигаться быстрее, но это не отменяет дисциплины.

Я не считаю, что «vibe coding» — это просто хаотично попросить нейросеть что-то написать. Нужны проверяемость, предсказуемость, валидируемость, переносимость решений и понятный процесс. Если этого нет, то скорость превращается в технический долг.

Для стартапа нет смысла сразу инвестировать в гигантские сложные интерфейсы. Мы стараемся быстро проверять продуктовые гипотезы, но держать систему управляемой: чтобы данные, задачи, клиентские сканы и разработка не жили отдельно друг от друга.

Илья Балахнин: Мы можем поделиться твоим skill со зрителями. Давай поговорим шире про skills, агентов и MCP. Ты в разговоре не раз возвращался к тому, что вокруг этого будет строиться новая инфраструктура.

Антон Коченевский: Я технооптимист и довольно много продвигаю MCP как направление. Моя логика такая: интерфейсы схлопываются туда, где у пользователя больше всего ежедневного внимания. Именно поэтому банковские приложения стали супераппами, а разные отдельные функции постепенно мигрируют в одно место.

С нейросетями будет похожая история. Пользователь все больше времени проводит в чате с моделью, потому что там можно сделать очень многое. Model Context Protocol позволяет приложению взаимодействовать с нейросетью не как с внешним сайтом, а как с источником действий и данных.

Например, MCP для Semantica может ответить на прикладной вопрос: «По последнему скану по продукту BMW X3 мы выше или ниже конкурента?» Он берет данные из базы и возвращает ответ за несколько секунд. Это быстрее, чем агент, который открывает браузер, ходит по сайтам и авторизуется.

Мы уже используем внутренний MCP: команда работает через Claude, можно передать переписку с клиентом или скриншоты и попросить сформулировать задачу. Система сама связывает это с нашей базой, задачами и рабочим процессом.

Илья Балахнин: Но если представить бизнесы с узким B2B-рынком, консалтингом или небольшой частотой запросов, им такие системы тоже нужны? Или это история только для компаний с большим количеством повторяющихся операций?

Антон Коченевский: Если говорить про узкий B2B или консалтинг, это другая история. Там может быть не так много пользовательских запросов, не так много повторяемых операций, а ценность часто в экспертизе и доверии. Поэтому не каждому бизнесу прямо сейчас нужен собственный большой AI-комбайн.

Но если у вас много операций, много клиентов, много данных и много повторяющихся решений, эффект становится заметным. В 2026 году связка CRM, task tracker, backlog, платежей, базы знаний и рабочих сущностей должна быть сквозной. Иначе вы просто переносите хаос из одной системы в другую.

Мы многое пишем внутри, потому что наши клиенты, их сканы, результаты, задачи и данные должны быть связаны. Благодаря этому система управляемая: можно увидеть, что происходит с клиентом, какие задачи появились, какие данные обновились и как это превращается в работу команды.

Илья Балахнин: Последний большой вопрос — экономический эффект. Часто его считают как замещение труда старших специалистов трудом младших, усиленных инструментами. Другие говорят про снижение когнитивной нагрузки. Как ты сам это оцениваешь как владелец компании?

Антон Коченевский: Мне близка отсылка к книге «Вторая эра машин». Промышленная революция дала людям машины, которые выполняли физическую работу, недоступную человеку. Нейросети делают похожую вещь с интеллектуальной работой: они не просто дают доступ к знаниям, как интернет, а позволяют выполнять часть умственных операций.

Интернет дал безграничный доступ к знаниям еще десятилетия назад, но он не сделал все виды умственной работы автоматически возможными. Нейросети снимают именно нагрузку выполнения: можно отдать агенту задачу, которую средний разработчик делал бы десять часов без перерыва, и получить рабочий результат быстрее.

Поэтому экономический эффект я вижу не только в замещении человека человеком дешевле. Это ускорение темпа, снижение когнитивной нагрузки и возможность создавать то, что раньше просто не успевали делать. Темпы, с которыми компании будут развиваться и подниматься, могут стать немыслимыми по старым меркам.

Илья Балахнин: Давай подытожим в формате блица. Три простых совета тем, кто сейчас думает: начинать ли работать с AI-поиском, с чего начать и чего не делать?

Антон Коченевский: Первое: начните мыслить шире, чем в классической парадигме контента. Все, о чем спрашивают про вашу компанию, можно писать от имени компании и превращать в понятные ответы.

Второе: будьте максимально открыты. Если у вас есть сто чатов в день со службой поддержки, берите каждый из них, обезличивайте, прогоняйте через нейросеть и превращайте в базу знаний. Уже сейчас нужно быть настолько открытыми.

Третье: если у вас большой рынок, где много пользователей ежедневно что-то спрашивают и ищут в обычном поиске, вам уже пора идти в AI-поиск. Там формируется новая выдача, и лучше начать работать с ней до того, как конкурент станет для нейросети ответом по умолчанию.

Илья Балахнин: Это был Антон Коченевский, основатель и генеральный директор Semantica AI. Спасибо, Антон, получилось очень содержательно. А зрителям спасибо за внимание — до встречи в новых выпусках.

Почему рекордные инвестиции в искусственный интеллект пока не превратились в рост производительности и что об этом думает исследователь нейросетей и мозга.

Искусственный интеллект уже стал одной из главных статей расходов мировой технологической индустрии, но обещанный скачок производительности пока остается скорее ожиданием, чем фактом. Михаил Бурцев смотрит на этот разрыв с двух сторон: как математик, исследующий машинный интеллект, и как нейрофизик, хорошо понимающий, насколько сегодняшние модели не похожи на живой мозг.

Из этого разговора получается не очередной прогноз о скором AGI, а трезвый разбор того, что именно умеют LLM: где текстовая машина уже помогает науке и бизнесу, а где мы принимаем убедительный ответ за понимание мира.

Источник аудио.

Надя Грошева: Всем привет! Это «Экономика будущего». Меня зовут Надя Грошева, я медиадиректор Movchan’s Group.

Только в 2025 году в компании, связанные с искусственным интеллектом, было вложено $202 млрд венчурного капитала. Это половина всех венчурных денег на планете. Крупнейшие технологические компании мира планируют потратить на инфраструктуру ИИ еще $700 млрд в этом году. При этом главный экономист Goldman Sachs недавно признал: вклад этих инвестиций в реальный экономический рост в 2025 году составил практически ноль.

80% компаний, внедривших искусственный интеллект, не зафиксировали никакого измеримого эффекта на производительность. Наш сегодняшний гость — один из немногих людей, кто смотрит на искусственный интеллект сразу с двух сторон: изнутри, как математик, исследующий его основы, и снаружи, как человек, который провел годы в институтах, изучавших живой мозг. Михаил Бурцев, математик, нейрофизик, создатель DeepPavlov, стипендиат London Institute for Mathematical Sciences. Михаил, добрый день!

Михаил Бурцев: Добрый день. Спасибо за приглашение.

Надя Грошева: Михаил, давайте начнем с основ. Искусственный интеллект — он действительно интеллект? Как работают LLM, которые большинство из нас сейчас используют?

Михаил Бурцев: Мне кажется, что точное определение интеллекта мы сегодня не найдем: ученые в этом расходятся. Но мы можем порассуждать и понять, как действительно работает современный искусственный интеллект.

Если расшифровать LLM, это Large Language Models, большие языковые модели. Но прежде чем говорить о больших языковых моделях, нужно понять, что такое языковая модель. Самая простая математическая языковая модель: мы открываем книгу, случайно тыкаем пальцем в страницу и спрашиваем, какое слово там увидим. Зная частоты слов, мы можем посчитать вероятность. Это самая примитивная языковая модель.

Более сложная языковая модель появляется, если мы берем слово, например «мама», и спрашиваем, какое следующее слово будет в тексте. Мы можем посчитать вероятности попарных взаимодействий между словами во всех текстах, которые у нас есть. А теперь представьте модель, которая может предсказать следующее слово, прочитав страницу или 20 страниц. Такое предсказание будет гораздо более адекватным: одно дело — случайное слово, другое — «мама мыла раму», где «мыла» вероятнее как следующее слово.

Чем больше слов в начале мы добавляем, тем лучше можем предсказывать, что будет дальше. Языковая модель начинает вести себя так, что мы, пользователи, воспринимаем это как осмысленную деятельность и будто общаемся с интеллектом. Но на самом деле это предсказание следующего слова, сделанное при помощи гораздо более сложных алгоритмов, чем простой подсчет вероятностей: при помощи нейросетей.

Нейросеть — это алгоритм, который позволяет на многих текстах выучить статистические зависимости и предсказывать следующие слова. Здесь есть более глубокая параллель: чтобы адаптироваться к среде и вести себя интеллектуально, живые организмы должны предсказывать следующие состояния среды и получать обратную связь. В некотором смысле механизм предсказания является основой любого интеллекта.

Вопрос в том, насколько модель, которая выучилась предсказывать только текст, будет воспроизводить интеллектуальные способности. Это открытый вопрос. Предсказание следующего слова часто называют «стохастическим попугаем»: модель просто выучила, как попугай, предсказывать следующее слово. Но, может быть, именно в этом и кроется загадка интеллекта.

Надя Грошева: Получается, что простейшая модель, которая работает по такому принципу, давно всем знакома: T9, когда нажимаешь слово «добрый», а он автоматически подсказывает «вечер». Но между T9 и ChatGPT или Claude — пропасть. Можно спросить гораздо больше. За счет чего получается эта разница: это более современный алгоритм?

Михаил Бурцев: Есть два фактора. Первый — совершенство самого алгоритма: он содержит во много раз больше параметров, которые описывают связи между различными частями текста. Второй — объем данных, на которых эти связи выучены. Сегодня такие алгоритмы учатся на всех текстах, которые человечество сгенерировало, чтобы предсказывать следующие слова.

Языковую модель можно представить как губку, которая впитала все возможные продолжения всех текстов, которые видела. Но критический элемент, ставший очевидным после появления ChatGPT в конце ноября 2022 года, в другом. Если модель просто знает продолжения текстов и вы ее что-то спрашиваете, в обучающей выборке есть много похожих продолжений, которые она может сгенерировать. Она может переключаться между вариантами, и это приводит к галлюцинациям или к бесполезным ответам.

Поэтому был придуман способ дообучить языковую модель так, чтобы она выдавала не любой ответ, а ответ, обладающий полезностью для человека. Именно это стало технологическим прорывом и привело к массовому принятию языковых моделей. Они существовали и до этого много лет, но не давали такого качества.

Я сам был очень поражен, когда увидел, как работает ChatGPT: до этого я работал с подобными моделями, строил диалоговые системы, которые общаются с пользователями, и не ожидал такого качества генерации. Прорыв OpenAI в том, что они добились хорошего следования узкой задаче: помочь пользователю решить проблему, объяснить что-то или предложить план действий.

Надя Грошева: У меня тоже было сильное личное впечатление: когда я впервые пользовалась ChatGPT в конце 2022 года, я не была связана с языковыми моделями и была в шоке, что такое вообще возможно. Как человеку, который работает с текстами, мне казалось невероятным, что есть кто-то, кому можно поручить написание текстов, создание сайтов или генерацию видео, и это не живые люди, а им просто выдаешь задачи, и они решают.

Но при этом ChatGPT, например, плохо считает и решает пространственные задачи. Что именно есть в этой модели и чего в ней нет?

Михаил Бурцев: Когда мы общаемся с моделью, нам психологически удобно представлять, что собеседник обладает здравым смыслом и такой же моделью окружающего мира, как и мы. Благодаря этому человеческая коммуникация возможна: мы не описываем все в мельчайших деталях, а говорим только о том, чем ситуация отличается от типичной, подразумевая, что человек понимает остальное.

Все знание модели об окружающем мире получено из текстов. Она никогда не видела предмет, падающий на Землю, и не экспериментировала с ним. Она знает только тексты, которые прочитала. Поэтому у нее есть слепые пятна.

С расчетами ей сложно, потому что модель вероятностная. Грубо говоря, есть десятки тысяч возможных вариантов следующего слова, и нужно выбрать один. Иногда она путается в рассуждениях и не может себя проверять. Человек может написать вычисления, перечитать их, усомниться и исправить. Современным моделям чаще всего сложно исправлять собственный уже сгенерированный текст, если специально не заставлять их это делать.

Но эта проблема решается. Если речь о математическом расчете, мы можем подключить к LLM внешнюю систему, которая перепроверит вычисления. Тогда можно найти ошибку, дать модели обратную связь и попросить альтернативное решение.

Надя Грошева: Почему одна нейросеть отличается от другой? Видно, что ответы Claude отличаются от ответов ChatGPT: они более конкретные, по-другому находят информацию. На чем это основано?

Михаил Бурцев: Можно представить языковую модель как двигатель. Сегодня этот двигатель спрятан внутри большой машины или системы. Сами модели по характеристикам могут быть похожи у OpenAI и у Anthropic, у ChatGPT и Claude. Но двигатели можно по-разному настраивать: важно, что используется в посттренинге, когда модель направляют в определенную сторону рассуждения.

Обычно собирается небольшая подвыборка данных с типовыми взаимодействиями. Если одно типовое взаимодействие будет написано на фене, а другое — как в институте Академии наук, то после посттренинга, даже при одинаковой начальной модели, поведение будет разным. Так появляются разные «персональности» и разная подача информации.

Вторая вещь — интеграция внешних знаний и поиска. Она позволяет добавить в модель новую информацию, которую модель напрямую не запомнила. Часть часто встречающихся фактов она запоминает при обучении, а редкие или новые факты — нет. Поэтому в контекст, куда мы пишем вопрос, можно подать текст из поиска, и модель будет рассуждать уже на его основе.

То, как устроен поиск, у ChatGPT и Anthropic может отличаться: разные провайдеры, отбор результатов, форматирование данных в контексте. Поэтому ответы получаются разными.

Надя Грошева: Недавно у меня был пример: я попросила ChatGPT проанализировать сценарий, где упоминалось, что Мадуро был вывезен в США. Он написал, что это выдумка, потому что Мадуро — президент Венесуэлы, и предложил исправить сценарий. Видимо, данные обновляются неравномерно.

В одном из интервью вы называли ChatGPT слепоглухонемым, потому что он не взаимодействует с миром. Можете подробнее пояснить, как это происходит?

Михаил Бурцев: Все, что видит ChatGPT, — это фактически текст. Конечно, есть варианты моделей, которым можно подавать картинки, и модели, которые генерируют изображения. Это может быть сделано разными способами: та же модель генерирует не слова, а некоторые образы, которые потом транслируются в картинку, или отдельная модель по текстовому контексту генерирует картинку для чата. В этом смысле модель что-то «видит». Но слепоглухонемая она потому, что у нее нет прямого взаимодействия с миром.

Ее единственная форточка во внешний мир — человек, пользователь, с которым она разговаривает, и язык. Сейчас есть отдельное направление: исследователи говорят, что у нас есть large language model, а теперь нужно строить large world model. Под world model подразумевается идея сделать модели зрячими, слышащими и способными что-то делать в окружающем мире, чтобы они приобретали недостающие знания.

Промежуточный шаг — обучать модели на видео. У нас есть много роликов на YouTube и вообще записей, которые показывают, как что-то происходит в мире: яблоки падают на Землю, люди летают с парашютом, автомобили двигаются, двери открываются и закрываются. Модель может выучить динамику окружающей среды: мы даем ей возможность следить за миром, когда она учится предсказывать следующий кадр.

Модель генерации видео работает почти так же, как языковая модель, только предсказывает не следующее слово, а следующий кадр. Но в видео есть сложность: много склеек, смен планов и повествования. Если модель видит один кадр, а затем совсем другую сцену, ей тяжело предсказать такой переход. Ей нужны первые несколько кадров, чтобы за что-то зацепиться и продолжать генерировать.

При этом уже есть модели, где видео можно управлять: например, вы идете по пространству, нажимаете стрелки вправо-влево, меняете направление взгляда, и модель генерирует видео в зависимости от изменения точки зрения и скорости.

Надя Грошева: С генерацией видео за последние пару лет тоже произошел огромный прогресс. Но если говорить о связи моделей с миром: у нас появляются не просто LLM, а агенты. Они действуют уже не внутри чата, а внутри компьютера, могут общаться с людьми, звонить и так далее. Это принципиально что-то меняет?

Михаил Бурцев: С точки зрения способности модели это пока ничего принципиально не меняет, потому что модели не учатся на этих взаимодействиях, а только реализуют их. Мы как разработчики создаем систему, где есть много управляющих LLM. Агент — это обертка вокруг LLM, в которую записан сценарий взаимодействия этой LLM с окружающим миром.

Когда мы создаем много агентов, мы фактически берем одну и ту же LLM, но заставляем ее по-разному смотреть на одну и ту же ситуацию и делать разные вещи. Реальное взаимодействие есть, но пока эти данные не собираются для последующего обучения модели и не включены в предобучение. Поэтому прямой обратной связи у модели нет.

Конечно, влияние растет: модель живет в киберпространстве, может прочитать сайт, написать код, получить или отправить данные, разговаривать с другими агентами. Отсюда и разные эксперименты, и шутки о том, как агенты договариваются нанять людей или взаимодействуют друг с другом.

Агенты действительно все больше внедряются в жизнь. Но здесь нужно быть аккуратными и понимать, как ограничивать эти системы, чтобы они не сделали того, чего мы не хотим.

Надя Грошева: Да, уже много историй о том, как кто-то, например, из Meta добавил на компьютер агента, который начал рассылать письма и делать другие действия.

Михаил Бурцев: Если выдать ему свою банковскую карту, он может купить что-нибудь, чего захочет или сочтет нужным. Поэтому не стоит давать такой доступ напрямую. Или нужно выдавать какое-то ограниченное средство.

Надя Грошева: Хочется верить, что военные не начнут внезапно использовать такие системы и выдавать им права, которые не дали бы новичкам. Если продолжать разбираться в нейросетях и в том, как они устроены: что такое трансформеры?

Михаил Бурцев: Трансформеры — это один из вариантов нейросетей, если говорить грубо. Это нейросеть, которую разработали специально для лучшей обработки последовательностей. Языковая модель работает с последовательностью элементов — слов — и должна предсказать следующее слово. При этом объем слов, по которому нужно предсказывать, бывает разный.

Была задача придумать систему, которая могла бы работать с разной длиной входной последовательности. Сначала для машинного перевода использовались рекуррентные нейронные сети; их активно применяли, например, в Google Translate. Где-то в 2016 году, а затем в 2017 году в Google предложили архитектуру, которая попыталась упростить рекуррентную нейросеть с точки зрения расчетов, чтобы ее удобнее было считать параллельно. Она получила название Transformer.

Главное нововведение — механизм внимания. Чтобы понять, что ей предсказывать, модель может разными способами посмотреть на уже имеющийся текст, вытащить разные аспекты этого текста и использовать их для предсказания следующего слова.

Надя Грошева: Не очень понятно. Это все-таки набор моделей, которые действуют по-разному, а не только предсказывают следующее слово?

Михаил Бурцев: Нет, это одна и та же модель. Представьте, что, чтобы предсказать слово, вы проходите много этапов — как слои нейронной сети. На первом этапе вы думаете: «Я вижу такие-то слова, может быть, следующим будет вот это». Потом снова смотрите на ситуацию: «Я подумал, что слово будет “мама”. А теперь проверю: подходят ли другие слова под “мама”? Может быть, все-таки “папа”?»

У вас есть 30 или 50 таких шагов, прежде чем вы окончательно выберете слово. Нейросеть в таком механизме что-то «вспоминает» про один вариант, потом проверяет контекст: есть ли в тексте нужные признаки. Эти итеративные рассуждения приводят к тому, что в конце концов выбирается слово, лучше всего подходящее под заданный контекст.

Механизм внимания — это как раз ситуация, когда нейросеть что-то «вспомнила», а потом просматривает разные аспекты контекста: для одного варианта она смотрит одни аспекты, для другого — другие.

Надя Грошева: А насколько это похоже на работу реального мозга?

Михаил Бурцев: Вообще не похоже, честно говоря. Или очень слабо похоже. Нейронными сетями это называется потому, что сеть состоит из маленьких элементов, каждый из которых называется нейроном, и его математическая модель была вдохновлена моделями настоящих нейронов. Но затем все ушло настолько в сторону, что структура нейросети в целом уже никак не напоминает то, что есть у живых организмов.

Надя Грошева: Ваши исследования в Лондоне — это математические основы более умного искусственного интеллекта, включая ИИ, который помогает математикам. Что значит научить искусственный интеллект математике и чем это отличается от того, что умеют GPT?

Михаил Бурцев: На самом деле GPT и Claude тоже хорошо разбираются в математике. Компании используют математику, потому что в обывательском смысле она кажется самой умной деятельностью, которую можно представить в виде текста: сложные формулы, рассуждения, закорючки, нужно долго учиться.

Чтобы хорошо понимать область математики, нужно потратить много времени: запись очень сжатая, нужно выстроить большую систему знаний об абстрактных объектах, почувствовать, как они работают. Поэтому компании пытаются маркетировать модели как более умные за счет того, что они лучше решают математические задачи или могут доказать теорему.

Для этого придумывают способы заставить модели рассуждать на языке математики. Помогает то, что это языковые модели, а математика — очень языковая деятельность. Если вы ничего не записываете, заниматься математикой в голове тяжело. Нужно записывать вычисления и проверять их. Эти вычисления следуют четким правилам.

Модели нужно выработать интуицию и представление о том, какие цепочки символов и последовательности действий вообще существуют в математике. Здесь модели успешны, особенно в плане кругозора: в отличие от большинства математиков, они видели почти всю доступную математику. Если после основного обучения еще дообучить модель на математических материалах, она начнет лучше предсказывать следующие действия и рассуждения внутри математических формализмов.

Математика хороша для интеграции с большими языковыми моделями еще и потому, что она верифицируема. Рассуждения можно проверить на компьютере. В естественном языке утверждения смешивают факты о мире и логику, поэтому их сложнее формализовать. А в математике многое содержится в самом тексте.

Сейчас ведутся исследования по переводу текстового математического языка в более формальное математическое описание, похожее на компьютерную программу, которую можно запустить и проверить, нет ли в выкладках ошибок. Но важна и интуиция: проверка показывает, есть ли ошибки, а чтобы найти доказательство или контрпример, нужно сначала предложить решение. Перебрать все способы рассуждать невозможно.

Надя Грошева: Насколько мы сейчас приближаемся к моменту, когда искусственный интеллект сможет делать открытия? Сейчас он может искать или писать текст на основе уже загруженной информации. Возможно ли, что когда-нибудь он будет находить новые материалы, формулы новых материалов или делать физические открытия?

Михаил Бурцев: Сейчас над этим идет активная работа, и мы видим постепенное внедрение искусственного интеллекта в научный процесс. Первое, что уже используют многие ученые, — языковые модели для редактирования текстов. Есть статья, и очень много времени уходит на то, чтобы отполировать текст. Я могу быстро написать основные утверждения, но потратить несколько часов на превращение пяти предложений в абзац, который легко прочитает человек. Модель помогает сохранить ту же информацию, но сделать ее удобной для читателя.

Второй вариант — использовать модели для написания кода. Я могу сказать: «Вот мои данные, хочу построить такой-то график», и LLM построит график. Раньше я должен был сам писать код или делать вычисления, теперь могу сделать это быстрее. Фактически я использую LLM как более мощный калькулятор. Конечно, за ней нужно перепроверять, потому что она может ошибиться.

Третий сценарий — когда мы начинаем новый проект или зашли в тупик и хотим понять, что еще связано с нашим вопросом. У модели широкий кругозор: она может выдать идею из соседней области, которая имеет отношение к моей. Я пойду по ссылкам, найду статью, прочитаю, разберусь, и это поможет преодолеть барьер в исследовании. Это использование модели для поиска литературы и обзора.

Можно с ней дискутировать: «Вот у меня получился такой результат, что ты думаешь?» Она может предложить интерпретации, но это уже сложнее. Если у вас есть описание экспериментов или математических результатов, модель чаще просто опишет то, что видит. Ей трудно сделать выводы, которых заранее не было, если вы явно не сформулируете гипотезу и не попросите проверить, подтвердилась она или нет.

Уровень интерпретации результатов для моделей пока тяжелый. Хорошо сформулированные математические задачи — например, олимпиадные — они могут решать очень хорошо, потому что задача компактная: можно искать и проверять. А формулировка новых гипотез или новых методов — уровень, к которому мы еще не приблизились. Современные модели с трудом генерируют новые концепты или абстракции. Если дать наводку, модель быстро обрастит ее связями с тем, что знает, но придумать новую идею ей тяжело.

С другой стороны, если мы можем обучить похожую модель для молекул или белков, появляются другие возможности. Знаменитый пример — AlphaFold, модель, которая по описанию белка предсказывает его трехмерную структуру. Белки — молекулы, из которых состоят живые организмы; это важно для разработки новых лекарств.

Если спросить, может ли такая модель придумать новый белок, который будет выполнять важную функцию, я думаю, что в таком смысле новизны модели уже сегодня могут это делать. Можно задать таргет — молекулу, с которой должен связываться белок, — и модель, перебирая и генерируя последовательности, может найти ту, которая будет связываться. Это пока не сверхэффективный метод, потому что приходится перебирать очень много вариантов, но такие решения научных задач уже возможны.

Я надеюсь, что этого будет больше. Это усилитель интеллекта ученого.

Надя Грошева: С одной стороны, усилитель, а с другой — тот, кто помогает освободить время.

Михаил Бурцев: Да. Мы ускоряем процесс познания окружающей среды и конструирования артефактов, завязанных на это знание. Это позволяет быстрее транслировать знания в технологии и использовать их в экономике: упрощать процессы, лечить людей, получать новые материалы.

Мы сейчас находимся в переходном периоде. Если смотреть шире, всю эволюцию на Земле можно рассматривать как последовательность приобретения интеллектуальных способностей. Способность выживать в среде зависит от того, насколько хорошо ты можешь ее предсказать. Если не можешь что-то предсказать, не можешь к этому приспособиться. Можно много предсказывать и ничего не делать — тогда тоже не выживешь, но предсказание является обязательным условием.

В процессе эволюции росли когнитивные способности. У одноклеточных организмов не было нервной системы, они приспосабливались и предсказывали только через изменение экспрессии генов — через то, как с ДНК считываются и генерируются новые белки. Потом появились многоклеточные организмы и нервная система: механизм обработки информации из среды и координации клеток организма для адаптации. Это был новый многоклеточный механизм предсказания будущего.

Потом у человека появился язык — принципиально новый механизм предсказания будущего: мы можем записывать, оставлять записи, делать расчеты. Потом появился компьютер, и он позволил создать искусственный интеллект. Сейчас ИИ — это примерно как возникновение языка у человека: уникальный период эволюции природы, когда появляется дополнительная возможность гораздо более мощного предсказания.

Мы можем лучше предсказывать, что ожидает нас в будущем, и за счет этого предусматривать последствия: не делать то, что делать не стоит, и делать то, что нужно.

Надя Грошева: Как это может повлиять на самих людей? Раньше был поисковик, и можно было найти информацию, а сейчас часть задач можно отдать искусственному интеллекту. Если в ближайшие два года будет прорыв, похожий на предыдущие два года, мы сможем делегировать большой массив задач. Как это повлияет на мозг людей, если им не нужно будет решать эти задачи?

Михаил Бурцев: Можно привести несколько примеров. Человечество изобрело двигатель внутреннего сгорания, появился автомобиль, люди стали ездить на автомобилях и общественном транспорте, меньше ходить. Но люди стали заниматься спортом и бегать. Казалось бы, логика подсказывает, что мышцы ног должны атрофироваться, все должны сидеть в мягком кресле, есть и смотреть телевизор. Я утрирую, конечно, но этого не происходит.

В школе давно есть калькулятор, но это не значит, что у всех атрофировались мозги. До сих пор есть математики, которые хорошо работают, хотя им не нужно считать большие числа в столбик. Мне кажется, здесь будет то же самое.

Другой пример — менеджеры. Человек сначала занимался конкретной задачей, например управлял станком. Потом понял производственный процесс на уровне цеха и стал заведующим цехом. Потом стал директором завода и уже делегирует управление станком другому человеку, а сам думает о том, как работает все производство. Потерял ли он навык управления станком? Возможно, пока он дорос до директора, станки трижды поменялись и он уже не сможет вернуться к старому станку. Но есть другие люди, которые этим занимаются.

Я не вижу здесь чего-то драматического. Люди расслоятся: кому-то будет интересно заниматься более верхнеуровневыми вещами, кому-то — мелкоуровневыми, и они продолжат это делать. Как люди бегают, хотя их никто не заставляет.

Надя Грошева: Вернемся к развитию искусственного интеллекта. Есть популярная дискуссия о суперинтеллекте и о том, можно ли с помощью LLM прийти к AGI. Правильно ли это называется «суперискусственный интеллект»? Как вы это видите: можно ли прийти туда через LLM и какой прорыв нужен, чтобы появился суперинтеллект?

Михаил Бурцев: Стоит немного порассуждать о терминах. До последнего времени был просто искусственный интеллект: деятельность машины, которая реализует функцию человека, которую мы называем интеллектуальной. Человек играет в шахматы — это интеллектуальная деятельность. Если программа играет в шахматы, мы можем назвать ее искусственным интеллектом.

Затем появилось другое определение — AGI, Artificial General Intelligence. Речь уже не о воспроизведении отдельных функций человека, а об универсальном, общем искусственном интеллекте, который может реализовывать много разных функций и обучаться им.

Если уточнять дальше, можно говорить о human-level artificial intelligence: алгоритме, который может делать любую интеллектуальную работу и обучаться не хуже человека, то есть на уровне человека. А superintelligence — интеллект лучше человеческого. Как он будет выглядеть, трудно представить: мы знаем человеческий интеллект, а супер-интеллект можем представить только с трудом.

Могут ли LLM прийти к суперинтеллекту? Трудно сказать. Многие раньше сомневались, что предсказание следующего слова вообще может привести к чему-то интеллектуальному. Илья Суцкевер много лет занимался GPT и говорил о необходимости универсальной модели, а потом что-то действительно заработало: функция предсказания следующего слова, которая кажется нам простой, для пользователей выглядит как очень интеллектуальная деятельность.

Поэтому я бы не зарекался, что LLM-подход не приведет к чему-то более высокому с точки зрения способности рассуждать, чем у человека. С другой стороны, сейчас активно развиваются world models: мы моделируем не только языковую функцию, но и другие функции, связанные с восприятием окружающего мира. Когда мы будем соединять их друг с другом, может получиться мультимодальная модель, которая хорошо ориентируется во всех этих модальностях и может в них предсказывать. Возможно, это будет следующим шагом. Пока такую модель не создали, мы не можем говорить о возникновении суперинтеллекта.

Надя Грошева: Михаил, вы хорошо представляете, как устроены нейросети. Какие риски вы видите в их создании?

Михаил Бурцев: Основные риски, на мой взгляд, сегодня связаны с тем, что мы пока не до конца понимаем границу доверия технологии. Возможны эксперименты, при которых системы встроят в какие-то критические процессы. Это очень маловероятно, но такое может случиться.

Почему маловероятно? У нас уже есть люди, и люди тоже не очень хорошо предсказуемы. Мы не знаем, как думает другой человек и что ему придет в голову. Но при этом есть рамки: человек приходит на работу и делает то, что должен делать. Никто не гарантирует, что он вдруг не перестанет это делать, не нажмет не ту кнопку или не направит самолет куда-нибудь не туда.

Если LLM будет обладать предсказуемостью хотя бы на уровне человека, то системы, с которыми взаимодействует человек, уже имеют некоторую степень устойчивости к отклонениям человеческого поведения. Если модель находится в тех же рамках, мы более-менее защищены: она не сможет сделать того, что запрещено делать человеку.

Очевидно, если мы даем модели доступ к важной информации или важным действиям, она должна проходить такую же проверку, как человек. Не всем подряд дают управлять заводом или самолетом: люди должны учиться, быть сертифицированы. Простая практика — применять то же самое к моделям: сертифицировать, тестировать на большом числе ситуаций и только после этого доверять управление чем-то. Так можно снижать риски.

Много говорили, например, что GPT-2 будет писать fake news и интернет заполнится ими. Но, на мой взгляд, это изначально было похоже на маркетинг и хайп. Люди и так могут писать что угодно; это не значит, что этому будут доверять. Сейчас в соцсетях много фейковых видео с политиками, но люди понимают, что BBC и TikTok — разные источники. Мне кажется, это не главная проблема.

Более сложный сценарий — гипотеза, что искусственный интеллект станет очень умным, сможет использовать инфраструктуру человека в своих целях и захватит контроль. Этот сценарий можно рассмотреть, но он кажется мне очень маловероятным. Во-первых, у искусственного интеллекта сегодня нет собственных целей и субъектности. Он продолжатель чего-либо или генерирует цели из того, что мы в него записали, а мы стараемся эти цели ограничить.

Даже если предположить, что он такие цели себе сгаллюцинировал, любые действия в окружающем мире требуют времени и энергии. Нужно потратить электроэнергию на расчеты, на перенос данных, на взлом систем. Если дата-центр вдруг стал тратить на 10% больше энергии, владелец это увидит. На каждом этапе есть обратная связь, позволяющая заметить, что что-то идет не так.

Поэтому сценарии, где искусственный интеллект неожиданно делает что-то глобальное, маловероятны: это требует большой энергии и длительного времени. Захватить мир за одну секунду невозможно — нужно скоординировать очень много элементов.

Надя Грошева: Подводя итог и говоря про будущее: в каких областях вы ожидаете главный прорыв в ближайшие 10 лет? Где может быть прорыв благодаря искусственному интеллекту?

Михаил Бурцев: Если говорить о прикладных вещах, современные LLM дадут волну повышения эффективности процессов: ускорение ведения бизнеса, упрощение вычислений, документации и многого другого. В экономике важным будет внедрение того, что уже есть, в существующие бизнесы. Это займет время.

Другой важный вопрос — энергетика. Чем больше у нас энергии и чем она дешевле, тем лучше: мы можем сделать больше, быстрее и за меньшие деньги, меньше зависим от ископаемых, которые неравномерно распределены по планете. Я думаю, исследования в искусственном интеллекте позволят создавать новые материалы и новые способы извлечения энергии, которые будут дешевле, а также помогут легче хранить и генерировать энергию. Это может сильно усилить рост экономики.

Вторая важная область — медицина и здравоохранение. Население стареет. Есть очень молодые люди, которым не хватает еды и санитарных условий, им нужно помочь выживать. Есть пожилые люди, которым нужен уход и лечение возрастных заболеваний. Это большой драйвер инноваций, которые помогут людям жить лучше и дольше.

Есть еще метауровень. Экономика — это структурированная деятельность по кооперации людей друг с другом. Когда появились деньги, они сильно упростили процессы кооперации: не нужно было выстраивать длинные цепочки бартера. Теперь представьте искусственный интеллект, который может гораздо лучше искать людей, с которыми стоит кооперироваться.

Если каждый человек сможет найти свое место в глобальной системе кооперации, эффективность экономической деятельности может существенно повыситься. Я не знаю, сопоставимо ли это с изобретением денег, но это очень важный фактор, который изменит то, как развивается экономика.

Надя Грошева: Надеюсь, так и будет. Михаил, спасибо вам огромное и удачи в делах!

Михаил Бурцев: Спасибо вам большое за приглашение и всем слушателям за внимание. Надеюсь, всем было интересно.

Надя Грошева: Да, было супер интересно. Спасибо большое.

Вы загрузили запись разговора в Whisper, дождались обработки и получили точный, но почти бесполезный текст:

добрый день вы оставляли заявку на подключение телефонии да нам нужно записывать звонки менеджеров сколько человек работает в отделе сейчас восемь но планируем расширяться

Слова распознаны правильно, однако непонятно, где говорит клиент, а где менеджер. Такой результат сложно передать в CRM, использовать для контроля качества звонков или отправить в нейросеть для подготовки резюме.

После разделения по голосам та же запись выглядит иначе:

Менеджер: Добрый день. Вы оставляли заявку на подключение телефонии?

Клиент: Да, нам нужно записывать звонки менеджеров.

Менеджер: Сколько человек работает в отделе?

Клиент: Сейчас восемь, но планируем расширяться.

Чтобы получить такую структуру, одного распознавания речи недостаточно. Системе нужно определить, кто и в какой момент говорил. Эта задача называется диаризацией спикеров.

Разберемся, как работает распознавание речи с диаризацией, можно ли добавить разделение по голосам к Whisper и когда выгоднее использовать готовый API вместо локальных моделей.

Почему Whisper возвращает сплошной текст

Whisper хорошо распознает речь, определяет язык и разбивает запись на временные сегменты. Но базовая модель не присваивает репликам метки конкретных участников.

На выходе обычно есть:

• распознанный текст;
• начало и конец фрагмента;
• служебные данные о языке и вероятности распознавания.

Информации о том, кто произнес фразу, в стандартном результате нет.

Для лекции, голосовой заметки или монолога этого достаточно. В разговоре двух и более людей теряется сама структура коммуникации. Вопросы смешиваются с ответами, а реплики разных участников склеиваются в один абзац.

Особенно заметна проблема на длинных записях:

• телефонных разговорах;
• интервью;
• совещаниях;
• консультациях;
• подкастах;
• переговорах;
• фокус-группах.

Поэтому Whisper с разделением спикеров обычно представляет собой не одну модель, а связку распознавания речи и отдельной системы диаризации.

Что такое диаризация спикеров

Диаризация отвечает на вопрос: кто говорил и в какой момент.

Система анализирует голосовые признаки, делит запись на интервалы и объединяет похожие фрагменты в группы. В результате каждый участок получает условную метку:

00:00:01 Speaker_0: Добрый день. Чем могу помочь?

00:00:04 Speaker_1: Хочу уточнить статус заказа.

00:00:08 Speaker_0: Назовите, пожалуйста, номер заявки.

Метки Speaker_0 и Speaker_1 не являются именами людей. Они показывают, что фразы произнесли разные участники.

Чтобы заменить технические обозначения на роли или имена, нужны дополнительные данные. Например, в телефонном разговоре можно заранее знать, какой канал принадлежит сотруднику. На онлайн-встрече имена иногда берут из списка участников. В остальных случаях спикеров переименовывают после расшифровки.

Диаризацию не следует путать с идентификацией личности по голосу. Первая разделяет участников между собой, вторая пытается определить конкретного человека по заранее известному голосовому образцу.

Где разделение по голосам приносит практическую пользу

Диаризация нужна не ради красивого оформления текста. Она позволяет использовать расшифровку как структурированные данные.

Аналитика звонков отдела продаж

Когда реплики клиента и менеджера разделены, можно автоматически определить:

• какие вопросы задавал сотрудник;
• какие возражения высказал клиент;
• была ли презентация продукта;
• договорились ли стороны о следующем шаге;
• кто говорил большую часть времени;
• соблюдался ли сценарий разговора.

Без разделения по голосам нейросеть может приписать слова клиента менеджеру и сделать неверный вывод о качестве звонка.

Интервью и исследования

Журналисту или исследователю важно отделить вопросы от ответов. После диаризации проще готовить публикацию, искать цитаты и сравнивать позиции нескольких участников.

Если в беседе участвуют три или четыре человека, ручная разметка часовой записи занимает больше времени, чем сама вычитка текста.

Совещания и рабочие встречи

Структурированная расшифровка помогает восстановить ход обсуждения:

• кто предложил решение;
• кто взял задачу;
• какие возражения возникли;
• кто назвал срок;
• по какому вопросу не пришли к согласию.

На основе такого диалога можно подготовить протокол, список поручений и краткое резюме встречи.

Подкасты и видеоконтент

Разделение по спикерам упрощает монтаж, подготовку субтитров, создание таймкодов и публикацию текстовой версии выпуска.

Редактор может быстро найти реплику ведущего или гостя, не прослушивая запись целиком.

Консультации

Юридические, медицинские и экспертные консультации часто содержат вопросы, уточнения и рекомендации. Диаризация сохраняет логику разговора и снижает риск смешать слова специалиста с описанием ситуации клиента.

При работе с персональными или коммерческими данными необходимо отдельно проверить условия хранения, обработки и удаления загруженных файлов.

Можно ли добавить диаризацию к Whisper

Да, но сама модель Whisper не решает эту задачу полностью.

Для локальной обработки обычно используют следующую схему:

Аудиофайл

    |

    +--> Whisper: распознает слова и ставит таймкоды

    |

    +--> Модель диаризации: определяет интервалы спикеров

    |

    +--> Сопоставление результатов по времени

    |

    +--> Готовый диалог

В качестве модели диаризации часто используют pyannote.audio или компоненты NVIDIA NeMo. В 2026 году появились и end-to-end решения, например VibeVoice ASR, которые объединяют распознавание, временную разметку и определение спикеров в одном проходе.

Подобные модели сокращают число этапов, но не отменяют проверку качества. На результат влияют шум, длительность записи, перебивания, количество участников и доступные вычислительные ресурсы.

Для эксперимента или внутреннего ML-проекта локальный стек дает больше контроля. Для массовой обработки звонков нужно дополнительно решать вопросы очередей, повторных запусков, обновления моделей и распределения нагрузки.

Почему локальная диаризация сложнее, чем кажется

На тестовом аудио из двух четких голосов результат может выглядеть безупречно. На реальных звонках быстро проявляются пограничные случаи.

Участники перебивают друг друга

Когда два человека говорят одновременно, системе нужно обнаружить overlapping speech и решить, какие слова относятся к каждому голосу.

Если запись одноканальная, голоса физически смешаны. Даже правильное определение двух активных спикеров не гарантирует точного разделения текста.

Метки могут поменяться местами

Условный Speaker_0 не означает постоянного человека. Если длинную запись обрабатывать частями, в одном фрагменте эта метка может принадлежать клиенту, а в следующем менеджеру.

Поэтому результаты отдельных частей нельзя просто объединить без дополнительного сопоставления голосов.

Короткие реплики определяются хуже

Слова да, нет, понятно или хорошо содержат мало голосовых данных. Модель может присвоить такую реплику соседнему участнику, особенно если люди говорят быстро.

Шум меняет голосовые признаки

Телефонная компрессия, музыка, эхо, громкая улица и слабый микрофон ухудшают не только качество текста. Они мешают системе сравнивать голоса и объединять фрагменты одного человека.

Длинные записи требуют инфраструктуры

Локальная обработка включает не только запуск модели. Нужно контролировать очередь файлов, использование памяти, ошибки декодирования, повторные задачи и хранение промежуточных результатов.

Если диаризация является частью продукта, а не разовым экспериментом, стоимость поддержки такого контура может оказаться выше прямых затрат на вычисления.

RTTM: зачем нужен этот формат

Системы диаризации часто сохраняют результат в формате RTTM. В нем указываются начало фрагмента, его длительность и идентификатор спикера.

Упрощенный пример:

SPEAKER call_102 1 0.50 4.20 speaker_0

SPEAKER call_102 1 6.00 3.10 speaker_1

Первая строка означает, что speaker_0 говорил с отметки 0,5 секунды в течение 4,2 секунды. Вторая строка описывает интервал другого участника.

Проблема в том, что RTTM хранит временную разметку, но не создает готовый диалог. Текст Whisper и интервалы спикеров приходится сопоставлять по таймкодам.

Для исследовательской работы формат RTTM удобен. В бизнес-приложении обычно нужен другой результат:

{

  "dialogue": [

    {

      "speaker": "Менеджер",

      "start": 0.5,

      "text": "Добрый день. Чем могу помочь?"

    },

    {

      "speaker": "Клиент",

      "start": 6.0,

      "text": "Хочу уточнить статус заказа."

    }

  ]

}

Такой JSON можно передать в CRM, систему аналитики или языковую модель без дополнительного парсинга промежуточных файлов.

В CRM отдела продаж могут храниться тысячи часов разговоров с клиентами. Формально записи есть, но для управления продажами они почти бесполезны: руководитель не может регулярно прослушивать весь поток, а выборочная проверка нескольких звонков показывает только отдельные эпизоды.

В результате часть информации остается внутри аудиофайлов. Менеджер договорился перезвонить, но не создал задачу. Клиент назвал причину отказа, но в карточке сделки появилась общая формулировка. Покупатель пожаловался на доставку, однако обращение не дошло до продуктовой команды. Супервайзер заметил нарушение скрипта спустя неделю, когда сделка уже была потеряна.

Расшифровка звонков колл-центра решает только первый уровень задачи. Она переводит разговор в текст, но бизнесу нужны более прикладные результаты:

• краткое содержание звонка;
• договоренности и следующие действия;
• причина обращения или отказа;
• оценка работы менеджера;
• признаки недовольства;
• упоминания конкурентов;
• автоматически заполненные поля CRM;
• теги для фильтрации и отчетов.

Для этого используется речевая аналитика: запись разговора переводится в структурированный текст, разделяется по спикерам и передается на дальнейший AI-анализ.

Собрать такую систему можно самостоятельно. Понадобятся ASR-модель, диаризация, обработка аудио, очередь заданий, GPU-инфраструктура, хранение результатов, контроль ошибок и отдельный аналитический слой. Для пилотного проекта этот путь выглядит доступным. При запуске на потоке звонков выясняется, что большую часть времени команда тратит не на аналитику, а на поддержку технического конвейера.

Есть более короткий маршрут: подключить готовый speech to text API или CRM-виджет и сосредоточиться на бизнес-правилах.

Как внедряют речевую аналитику лидеры рынка и почему не каждый подход подходит отделу продаж

На Habr опубликовано несколько показательных кейсов. Каждый решает реальную задачу, но не каждое решение разумно переносить в малый или средний бизнес.

Кастомная платформа под один бизнес-процесс

В кейсе Technokratos для HT Lab была разработана система анализа интервью. Она принимала запись, расшифровывала ее через Whisper Large 3, распределяла ответы по компетенциям и формировала заключение с помощью языковой модели. Рабочий сервис собрали за три недели.

Это хороший срок для заказной разработки, но к нему нужно добавить подготовку требований, тестирование, сопровождение, доработку промптов, мониторинг качества и поддержку инфраструктуры. Когда меняется CRM, формат отчета или модель оценки, изменения снова проходят через разработчиков.

Такой вариант оправдан, если процесс уникален, а готовый сервис не покрывает требования. Использовать его только ради транскрибации звонков CRM обычно невыгодно.

Python, Whisper и Google Colab

Команда ВкусВилл Бизнес пошла от практической задачи: в CRM находились тысячи звонков, которые невозможно было прослушать вручную. Записи скачивали скриптом, обрабатывали через Whisper в Google Colab, очищали от персональных данных и отправляли на анализ. Для первого теста применялась модель base, автор отдельно отметил ошибки в специальных терминах.

Подход удобен для разового исследования. Например, продуктовой команде нужно разобрать 300 интервью и найти повторяющиеся жалобы.

Для ежедневной автоматизации отдела продаж возникают ограничения:

• среда Colab временная;
• загрузка и выгрузка файлов требуют дополнительных сценариев;
• при сбое часть заданий приходится перезапускать;
• результаты нужно самостоятельно возвращать в CRM;
• очистка персональных данных становится отдельным этапом;
• нет гарантированного времени обработки;
• сложно контролировать параллельный поток.

Прототип работает. Продакшен-сервис требует другой архитектуры.

Локальный стек из Whisper, NeMo, Ollama и Gemma

В материале Альфа-Банка показан локальный конвейер: ffmpeg готовит аудио, Whisper делает транскрипт, NVIDIA NeMo разделяет реплики по спикерам, Gemma через Ollama формирует саммари, а результаты сохраняются в Obsidian.

Для аналитика, исследователя или внутреннего эксперимента это полезная схема. Все компоненты можно контролировать, а данные не требуется отправлять во внешний сервис.

Для колл-центра появляется другой масштаб. Нужно обновлять несколько библиотек, следить за совместимостью CUDA и драйверов, хранить модели, управлять очередью, распределять нагрузку и контролировать качество диаризации. Если утром одновременно завершились 200 звонков, локальная видеокарта не увеличит производительность автоматически.

Телеком-API с базовой транскрибацией

Exolve показывает сценарий, в котором приложение создает звонок, получает идентификатор записи и запускает транскрибацию через SDK. В статье 2024 года приводилась стоимость 0,60 рубля за минуту. Автор прямо описывал этот пример как базу для собственной механики.

Телеком-API удобно использовать, когда телефония уже работает у того же поставщика. Но текст звонка еще не является речевой аналитикой. Отдельно потребуются:

• распределение реплик между клиентом и менеджером;
• нормализация текста;
• саммари;
• оценка скрипта;
• тегирование;
• запись результата в нужные поля CRM;
• отчеты для руководителя.

Сравнение подходов

Три ловушки самописной STT-системы

Самостоятельный прототип часто выглядит как один вызов Whisper. Реальный конвейер сложнее. Основные проблемы становятся заметны после загрузки первых сотен записей.

Ловушка 1. Диаризация спикеров

Распознавание речи отвечает на вопрос, какие слова прозвучали. Диаризация определяет, кто и когда говорил.

Без нее получается текст, в котором реплики клиента и менеджера перемешаны. На таком материале трудно проверять скрипт. Система может приписать вопрос менеджера клиенту, а обещание клиента оплатить счет посчитать обязательством сотрудника.

Диаризация строится из нескольких компонентов. Например, каскадный сценарий NVIDIA NeMo включает детектор речевой активности, извлечение голосовых признаков и кластеризацию спикеров.

На результат влияют:

• одновременная речь;
• фоновый шум;
• музыка ожидания;
• переадресация;
• громкая связь;
• разная громкость каналов;
• короткие реплики;
• соединение нескольких разговоров в одном файле.

Даже после разделения на Спикера 1 и Спикера 2 нужно определить роли. В стереозаписи телефонии задача проще: менеджер и клиент могут находиться на разных каналах. В монофайле роли приходится устанавливать по контексту или дополнительным данным CRM.

Ловушка 2. Границы чанков и галлюцинации

Whisper обрабатывает аудио сегментами. Базовая архитектура рассчитана на 30-секундные фрагменты. При длинной записи система должна последовательно распознать сегменты и сохранить контекст между ними.

На границе могут возникнуть три типа дефектов:

• фраза делится между двумя сегментами;
• часть слова или реплики пропускается;
• предыдущий контекст вызывает повторение.

Отдельная проблема связана с тишиной, музыкой и неречевыми звуками. Исследования Whisper показывают, что на таких участках модель иногда генерирует связные фразы, которых нет в записи. Для длинных разговоров также характерны повторяющиеся последовательности и пропуски содержания.

Поэтому production-пайплайн использует не только ASR. Нужны VAD, контроль временных меток, подавление повторов, проверка подозрительных сегментов, ограничения декодирования и правила обработки тишины.

Ловушка 3. Инфраструктура под неравномерную нагрузку

Нагрузка отдела продаж распределяется неравномерно. В середине дня очередь растет, ночью сервер простаивает. Собственная инфраструктура оплачивается независимо от загрузки.

Кроме GPU потребуются:

• API-шлюз;
• объектное хранилище;
• база заданий;
• очередь сообщений;
• обработчики повторных попыток;
• журналирование;
• контроль лимитов;
• мониторинг времени обработки;
• резервирование;
• механизм удаления файлов.

Если один час звонков обрабатывается несколько минут, это еще не значит, что система справится со ста часами, полученными одновременно. Нужно измерять не скорость одного файла, а пропускную способность всей очереди и максимальное время ожидания результата.

Короткий аудиофрагмент из Common Voice и двухчасовое совещание с перебиваниями, шумом кондиционера и названиями продуктов проверяют систему распознавания речи по-разному. Поэтому место модели в публичном бенчмарке еще не отвечает на главный вопрос бизнеса: сколько времени уйдет на получение пригодного текста из реальной записи.

Для транскрибации звонков, лекций, интервью и субтитров важна не только точность распознавания слов. На итог влияют сегментация длинного файла, работа с тишиной, пунктуация, диаризация спикеров, устойчивость API, поддержка форматов и качество склейки результата.

Ниже сравним OpenAI Whisper Large v3, Microsoft VibeVoice-ASR, Yandex SpeechKit и Google Cloud Speech-to-Text с Chirp 3. Лучшей модели для всех сценариев нет. Для русскоязычных длинных записей сильный движок нужно оценивать вместе с инфраструктурой и постобработкой.

Что умеют модели и где начинаются ограничения

1. OpenAI Whisper Large v3 и Large v3 Turbo

Whisper построен как encoder-decoder Transformer. Исходное семейство обучалось на 680 000 часах многоязычного аудио. Версия Large v3 получила значительно больший обучающий набор: 1 млн часов с неполной разметкой и 4 млн часов псевдоразмеченного аудио. Large v3 Turbo сокращает число слоев декодера с 32 до 4, поэтому работает заметно быстрее ценой небольшого снижения качества.

Сильная сторона Whisper для русского языка проявляется на сложной речи: разговорной лексике, смешении русских и английских терминов, неидеальной дикции и фоне. Модель сразу генерирует текст со знаками препинания и обычно дает более читаемый черновик, чем классические ASR-системы без развитой языковой части.

Но у архитектуры есть ограничение: базовое окно Whisper рассчитано примерно на 30 секунд аудио. Длинный файл все равно обрабатывается последовательно. Библиотека или провайдер режет запись на сегменты, переносит контекст и затем собирает результат.

Именно здесь две системы на одной модели могут показать разное качество. Ошибки появляются не только внутри сегмента, но и на границах: пропавшее слово, повтор фразы, неверный таймкод, потерянный спикер. На тишине или музыке Whisper способен генерировать правдоподобный, но отсутствующий в записи текст. Для production-сценария нужны VAD, контроль повторов, фильтрация пустых сегментов и логика восстановления контекста.

У официального OpenAI API в 2026 году есть и новые модели транскрибации, включая GPT-4o Transcribe и вариант с диаризацией. При этом загрузка файла через стандартные speech-to-text endpoints по-прежнему ограничена 25 МБ. Большие записи приходится сжимать или делить до отправки.

2. Microsoft VibeVoice-ASR

VibeVoice-ASR появился в открытом доступе в январе 2026 года. В официальном репозитории текущая модель обозначена как VibeVoice-ASR-7B. Она принимает до 60 минут непрерывного аудио в пределах контекста 64K и за один проход формирует структурированный результат: кто говорил, когда и что сказал.

Модель объединяет распознавание, таймкоды и диаризацию. Поддерживаются пользовательские hotwords: имена, бренды, аббревиатуры и термины можно передать как контекст. Для технических интервью и корпоративных встреч это полезнее, чем попытка исправлять каждое название после транскрибации.

В официальном тесте MLC-Challenge для русского языка VibeVoice-ASR показал WER 12,40%. Эта цифра характеризует конкретный датасет и протокол. Сравнивать ее напрямую с результатами Whisper, Yandex или Google из других тестов нельзя.

Практическая цена часового контекста заключается в требованиях к развертыванию. Нужны Python, CUDA, FFmpeg, совместимое окружение и NVIDIA GPU. Репозиторий Microsoft предлагает запуск через NVIDIA PyTorch Container. Сторонние сборки снижают порог входа, но не снимают задачи обновления зависимостей, мониторинга памяти и масштабирования очереди.

VibeVoice интересен разработчикам, которым нужен открытый long-form ASR с диаризацией и возможностью дообучения. Для обычного пользователя это пока не готовый облачный продукт. Microsoft прямо рекомендует дополнительное тестирование и разработку перед коммерческим применением.

3. Yandex SpeechKit

SpeechKit изначально ориентирован на русский язык и российские сценарии. Сервис поддерживает потоковое, синхронное и асинхронное распознавание. В актуальной документации синхронный режим рассчитан на короткие файлы до 30 секунд, асинхронный принимает записи длительностью до 4 часов и размером до 1 ГБ.

Утверждение, что Yandex не расставляет пунктуацию, в 2026 году устарело. Режим литературного текста добавляет заглавные буквы и знаки препинания. Есть нормализация чисел и дат, определение дикторов, дообучение и обработка результата с помощью LLM.

Слабое место SpeechKit не в отсутствии базовых функций, а в количестве режимов, параметров и ограничений. Разработчику нужно выбрать API, способ загрузки, формат, модель, нормализацию и схему получения результата. Для длинных файлов применяется асинхронная обработка, поэтому интеграция включает создание операции, проверку статуса и получение транскрипта.

Опубликованный на Habr тест 2025 года показал неудачный результат SpeechKit Playground на части файлов, включая повторы строк. Это полезный сигнал, но не универсальная оценка всей платформы: автор использовал собственный набор из 16 записей, а ошибки запроса включал в WER. Перед внедрением SpeechKit нужно тестировать на звонках и записях именно вашего домена.

4. Google Cloud Speech-to-Text с Chirp 3

Сравнивать Whisper с абстрактным Google Speech в 2026 году некорректно. Актуальная многоязычная модель Google называется Chirp 3. Она поддерживает русский язык, потоковое и пакетное распознавание, автоматическую пунктуацию, адаптацию под фразы и автоматическое определение языка.

Для длинного аудио используется BatchRecognize. В документации Chirp 3 указан типовой диапазон от одной минуты до одного часа. Русский доступен для транскрибации, но диаризация Chirp 3 на момент проверки перечислена только для ограниченного набора языков, без ru-RU.

Google удобен компаниям, которые уже работают в Google Cloud и готовы хранить аудио в облачной инфраструктуре проекта. Сильные стороны здесь не сводятся к качеству отдельной модели: IAM, региональные endpoints, журналирование, квоты и масштабирование входят в общую платформу.

Заявлять, что Google всегда хуже Whisper на русском, без единого контролируемого теста нельзя. На чистой диктовке разница может быть небольшой, а на телефонной записи с отраслевой лексикой порядок моделей способен измениться.

Техническое сравнение STT-моделей для русского языка

Таблица показывает, почему вопрос о лучшей модели распознавания речи нельзя закрыть одной цифрой WER. Сначала определите сценарий: звонки, интервью, субтитры, поток или архив. Затем соберите тестовый набор хотя бы из 20–50 своих файлов и посчитайте не только ошибки слов, но и стоимость ручной правки.

Боль бэкендера: почему поднять свой Whisper сложнее, чем кажется

Склейка чанков

Разделить аудио через FFmpeg несложно. Сложно разделить его так, чтобы фраза не оборвалась на полуслове. Обычно сегменты делают с перекрытием. После распознавания нужно найти повторяющийся участок текста, удалить дубль и сохранить таймкоды.

На одном чистом монологе эвристика работает. На совещании с короткими репликами, паузами и перебиваниями она начинает ошибаться. Чем больше правил добавляется, тем сильнее проект превращается из вызова модели в отдельную ASR-платформу.

Галлюцинации на тишине

Музыка, длинная пауза, шум зала и тихая речь могут запустить ложную генерацию. Whisper иногда повторяет последнюю фразу или создает типовые подписи, которых не было в аудио.

Production-конвейер использует VAD, минимальную длительность речи, пороги уверенности, контроль компрессии текста и поиск повторяющихся последовательностей. После этого все равно нужен журнал проблемных сегментов для повторной обработки.

Форматы и лимиты

Пользователь загружает не только MP3. На вход приходят WAV, M4A, OGG, FLAC, MP4, AVI, записи телефонии с двумя каналами и файлы с нестандартной частотой дискретизации. Их нужно проверить, извлечь аудиодорожку, привести к ожидаемому формату и не потерять метаданные времени.

Лимит OpenAI в 25 МБ добавляет еще один слой: сжатие, нарезку, очередь запросов и сборку результата. Размер файла при этом не равен длительности. 25 МБ могут содержать короткий WAV или длинный MP3 с низким битрейтом.

GPU и неравномерная нагрузка

Собственный сервер выгоден при предсказуемом постоянном потоке. При редких загрузках видеокарта простаивает. При резком наплыве файлов возникает очередь, пользователи ждут, а команде приходится добавлять воркеры и следить за памятью.

К стоимости GPU прибавляются хранение файлов, мониторинг, повторные задания, обновление CUDA, безопасность, резервирование и поддержка форматов. Бесплатная модель не означает бесплатный сервис.

Практический вывод: использовать модель или готовую систему

Для исследовательского проекта разумно поднять Whisper или VibeVoice локально. Вы получите контроль над кодом, данными и параметрами. Для продукта важнее другой вопрос: кто отвечает за длинные файлы, сбои, диаризацию, форматы и качество текста на стыках.

Заключение

Whisper, VibeVoice, Yandex и Google решают разные части одной задачи. Whisper дает сильное качество базовой транскрибации, VibeVoice сохраняет часовой контекст, Yandex предлагает развитый набор режимов для русского языка, Google встраивает STT в масштабируемую облачную платформу.

На практике качество определяет весь конвейер: подготовка аудио, VAD, склейка сегментов, диаризация, пунктуация, контроль повторов и обработка ошибок. Поэтому бизнесу часто выгоднее тестировать не голую модель, а готовый результат на своих файлах.

Транскрибация — это процесс преобразования устной речи из аудио и видео в текстовую форму. Зачем это вам? Текст упрощает поиск, цитирование и повторное использование материалов: совещаний, интервью, подкастов, лекций. Вы быстрее находите нужную информацию, оформляете отчеты и субтитры, повышаете доступность контента. Если вы менеджер, журналист, преподаватель или владелец подкаста, транскрибирование экономит часы рутинной работы и делает знания оцифрованными. Ниже — что такое транскрибация простыми словами, где она применяется, как работает автоматическое распознавание речи, как повысить точность и выбрать сервис под задачу.

Что такое транскрибация простыми словами: не путайте «транскрипцию» и «транскрибирование»

Транскрибация текста — это перевод аудио в текст и видео в текст: из речи получается читабельная текстовая версия с таймкодами и при необходимости, говорящими. В запросах часто звучит «транскрибация — что это такое простыми словами», «как называется перевод звука в текст», «расшифровка аудио в текст — это». Ответ одинаков: это распознавание речи плюс редактура.

Транскрипция в лингвистике — запись произношения специальными знаками, не то же самое. В тексте мы используем «транскрибация» как основной термин; синонимы — «транскрибирование», «расшифровка аудио», «speech-to-text», ASR (automatic speech recognition).

Где применяется транскрибация аудио и видео

Транскрибация помогает там, где важно быстро зафиксировать сказанное: совещания, интервью и подкасты, журналистика, образование и исследования, контент-маркетинг. Полученный текст ускоряет монтаж и поиск, улучшает вовлеченность и открывает путь к аналитике. Ниже — типовые задачи и как транскрибация поможет решить их без лишних усилий.

Менеджер/маркетолог: распознавания речи как часть работы команды

Еженедельные встречи команды, звонки с партнерами и брейнштормы удобно хранить как текстовые заметки. Вы быстро находите договоренности по ключевым словам, распределяете задачи и готовите дайджест. Экспорт субтитров улучшает доступность внутренних записей. Автопунктуация восстанавливает знаки препинания, а разбиение по спикерам проясняет ответственность. Когда запись сложная, гибридный подход оставляет часть шагов машине, а часть работы — редактору с участием человека.

Журналист/интервьюер/подкастер: точные цитаты и субтитры к видео

Транскрибация интервью и подкастов экономит часы прослушивания. Вы строите сюжет по расшифровке, быстро находите цитаты и готовите SRT для публикации. Гибридный сценарий помогает с доменной лексикой и акцентами, а автоматическая расшифровка ускоряет первичный черновик. При длинных релизах делите материал на части — так работает транскрибация стабильнее и сокращаются правки.

Преподаватель/исследователь: перевод аудио, удобный анализ и архив

Записи лекций, защит и интервью с респондентами легче анализировать в тексте. Поиск по документу заменяет многочасовое переслушивание, а экспорт в DOCX/CSV помогает кодировать данные. Добавляйте имена спикеров, термины и пометки — текстовая расшифровка превращается в базу знаний курса или исследования, а голоса в тексте становятся цитатами для публикаций.

Голосовой анализ и поддержка клиентов: колл-центры и голосовые помощники

Транскрибацию используют в аналитике разговоров: в контакт- и колл-центрах из диалогов получают выводы по качеству сервиса, сценариям возражений и обучению операторов. Наборы транскриптов нужны и для голосовых помощников: они улучшают модели распознавания и понимания. Здесь особенно важны приватность и корректная анонимизация.

Методы транскрибации: ручной, автоматический, гибридный

Ручной метод. Специалист слушает запись и печатает текст, сверяясь с таймкодами. Преимущества — высокий контроль качества, чувствительность к контексту и доменной лексике, гибкость оформления. Ограничения — невысокая скорость и значительные трудозатраты, особенно на многочасовые аудиофайлы или материалы с несколькими говорящими. Ручная транскрибация уместна, когда цена ошибки высока и нужна тщательная вычитка.

Автоматический метод (ASR). Автоматическая транскрибация использует модели искусственного интеллекта и машинного обучения. Алгоритм выполняет преобразование речи и преобразование аудио в последовательность слов, ставит таймкоды, восстанавливает знаки препинания и может определить спикеров. Скорость высокая, вплоть до потоковой обработки. Однако точность зависит от исходника: фонового шума, перекрывающихся реплик, акцентов и качества микрофона.

Гибридный метод. Машина делает черновик, редактор исправляет профильные термины, имена и структуру. Такой подход берет лучшее от обоих миров: скорость ASR и контроль человека. Он особенно полезен для интервью, подкастов и митингов, где автоматической транскрибации хватает на 80–90% работы, а оставшаяся часть требует участия человека.

Сравнение преимущество методов: скорость, трудозатраты, требования к звуку, контроль качества

Как работает транскрибация: речь в текст и автоматическое распознавание речи

Современные транскрибаторы опираются на машинный подход. Акустическая модель превращает звуковой сигнал в вероятности фонем, языковая модель оценивает последовательности слов; вместе они дают гипотезу текста и восстанавливают знаки препинания. Для многоголосия применяется кластеризация голосов, чтобы выделить говорящих. Поддержка русского важна для разговорных форм, сокращений и имен собственных. Так работает транскрибация внутри систем автоматического распознавания речи: они быстро выдают черновик, который вы редактируете и экспортируете.

Машинное обучение и качество результата

Модели обучают на больших наборах данных разговорной речи и профильных терминах. Чем ближе ваши записи к обучающим примерам, тем точнее «голосовой» движок в конкретной отрасли. Для специфических терминов используйте глоссарии и правки. Если входной сигнал низкого качества, точность падает; здесь помогает гибрид: машина ускоряет, человек доводит результат.

Что значит «транскрибировать» и что такое «транскрибатор»

Транскрибировать — запустить перевод аудио в текст или видео в текст, а затем отредактировать черновик.

Транскрибатор — инструмент/сервис, выполняющий распознавание речи и формирующий текстовые файлы. В быту встречаются вопросы «транскрибатор — что это?» и «транскрибировать — что это значит»; оба описывают один процесс: automatic speech recognition плюс редактура.

Что влияет на точность преобразования голоса в текст и как ее повысить

На точность влияют фоновый шум, эхо и расстояние до микрофона, перекрывающиеся реплики, акценты и темп, длительность записи, редкая терминология и имена собственные. Чем чище сигнал, тем точнее итог. Подготовка улучшает результат даже в автоматической транскрибации: единая громкость, тишина в помещении, отдельные каналы на каждого спикера, глоссарий отраслевых слов и правильные метаданные проекта. Если запись сложная, разумно планировать гибридный цикл с короткой вычиткой.

Чек-лист подготовки аудио/видео перед транскрибацией

• Записывайте ближе к микрофону, используйте поп-фильтр и шумоподавление. 
• Выбирайте тихое помещение, уменьшайте эхо мягкими поверхностями. 
• Пишите каждого спикера на отдельную дорожку; не перебивайте друг друга. 
• Нормализуйте громкость, обрежьте длинные паузы, удалите клики и гул. 
• Укажите язык проекта, добавьте глоссарий: аббревиатуры, бренды, имена. 
• Задайте имена говорящих заранее; это ускорит разметку. 
• Делите длинные записи на блоки по 15–40 минут. 
• Ведите журнал изменений: кто и что правил — пользователю проще вернуться к версии.

Форматы и процесс: вход/выход, онлайн-инструменты и локальный подход

Вход: MP3, WAV, M4A, AAC, FLAC, WMA; для видео — MP4, MOV, MKV и др. Выход: TXT/DOCX для заметок, SRT для субтитров, иногда JSON/CSV со структурой таймкодов и спикеров. При экспорте пользователь выбирает формат, включает автопунктуацию и получает корректно восстановленные знаки препинания. Поддержка популярных аудиофайлов и видео ускоряет старт и упрощает обработку

Пошагово (онлайн): подготовьте запись, загрузите файл, выберите русский язык и опции «автопунктуация» и «разбиение по спикерам», запустите распознавание речи, проверьте черновик, исправьте профильные слова и экспортируйте результат.

Пошагово (локально): установите движок, настройте модели, обработайте файлы, выполните редактуру и экспорт. Автоматическая расшифровка экономит время; гибрид добавляет контроль качества.

Как выбрать сервис под задачу

На рынке много сервисов. Смотрите на точность и скорость, поддержку русского, стабильную автопунктуацию, разбиение по говорящим и API. Важны приватность и гибкость: локальная обработка, права доступа, политика хранения. Проверьте входные/выходные форматы (TXT/DOCX/SRT), экспорт субтитров, совместную работу и интеграции. Для потоковых сценариев удобны проекты с реальным временем; когда запись сложная, полезен гибрид, где автоматический этап ускоряет транскрибацию, а человек выправляет нюансы.

Частые ошибки и как их исправить

• Один микрофон на всех. Записывайте на отдельные дорожки, держите микрофон ближе.
• Многоголосие и перебивания. Договоритесь говорить по очереди, делайте короткие паузы.
• Гул, эхо, кондиционер. Выбирайте тихое помещение, используйте шумоподавление.
• Игнорирование терминов. Составьте глоссарий до запуска, добавьте аббревиатуры и имена.
• Длинные файлы без разбивки. Делите на части — так выше стабильность и ниже затраты на правки.
• Неправильный экспорт субтитров. Проверяйте формат, кодировку и частоту кадров плеера.
• Хаос в доступах. Настройте роли, сроки хранения и ведение логов.

Рекомендации/чек-лист: быстро к результату

• Подготовьте тихое помещение и тестовую запись на 30 секунд.
• Назовите файл по шаблону: YYYY-MM-тема-спикер.mp3.
• Загрузите в сервис, укажите язык, включите автопунктуацию и спикеров.
• Проверьте черновик: имена, термины, числа и топонимы.
• Экспортируйте текст; сохраните проект.

Транскрибация превращает устную речь в понятный текст и делает аудио- и видеоматериалы доступными для поиска, цитирования и аналитики. Ручной подход дает максимальный контроль, автоматический — скорость, а гибридный объединяет их преимущества. Подготовьте запись, запустите распознавание, внесите правки и экспортируйте файлы: так вы быстро получите надежную текстовую версию и сможете сосредоточиться на смысле, а не на прослушивании.